这篇研究论文比较了两种用于推断气体羽流源项参数的无人机采样策略，并证明了深度强化学习在非等向气体羽流环境中相对于信息觅食法的优越性能。

Jan, 2024

通过开发数据驱动模型解决反向和正向输运问题，该论文主要研究地下水污染的问题，尤其是由于工业污染和农业活动引起的地下水污染，提出了一种基于人工神经网络的非线性模型，使得结果更为可靠且具有很低的计算成本和不确定性。

Jul, 2022

本文提出了一种使用神经网络在人机交互中同时检测和定位多个声源的方法，并采用基于概率的编码以实现对任意数量声源的检测；此外，文章探讨了基于子带交叉相关信息的特征及三种不同基于不同动机的网络架构，实验表明该方法优于传统的空间谱法。

Nov, 2017

ST-GasNet 是一种新颖的深度学习模型，通过学习由高分辨率大涡模拟模型生成的地面有毒城市羽流的时间序列，准确预测了随时间演化的空间特征，对于即使建筑物将大型羽流分裂成小型羽流的情况也能准确预测后期的时空演变，且通过结合大尺度风边界条件信息，在整个预测期内达到至少 90% 的预测准确度。

May, 2024

本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

Apr, 2022

本论文介绍了一种将物理学 - 基于模型的知识与神经网络相结合的框架，被称为物理引导的神经网络（PGNN），在混合建模设置中利用物理模型模拟的输出和观察特征，借助神经网络体系结构生成预测。此框架使用物理基础的损失函数在神经网络的学习目标中，以确保模型预测不仅在训练集上显示较低的误差，而且在未标记的集合上与已知的物理学保持科学一致性。通过以科学知识指导神经网络的构建和学习，我们能够证明所提出的框架确保了更好的泛化能力和结果的科学一致性。

Oct, 2017

利用基于 Graph Neural Network (GNNs) 的模型，结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的 CO2 地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。

Jun, 2023

提出了一种基于神经网络的声场分解方法，包括声场分离阶段和单源定位阶段，通过将多个源合成的麦克风上的声压分离为每个声源对应的激发声压，在单源定位阶段中，通过对单一声源的麦克风上的声压进行回归来获取源位置，由于第二阶段是回归而不是分类，因此估计的位置不受离散化的影响。使用 Green's 函数进行模拟生成数据集，每个频率都训练神经网络。数值实验表明，与传统方法相比，所提出的方法可以实现更高的源定位精度和更高的声场重建精度。

Sep, 2023

本论文提出了一种名为 AirPhyNet 的物理引导神经网络方法，通过将空气颗粒运动的物理原理（扩散和平流）表示为微分方程网络，并利用图结构将物理知识整合到神经网络架构中，从而捕捉空气质量数据中的时空关系。实验证明，AirPhyNet 在不同测试场景下（包括不同前瞻时段、稀疏数据和突变预测）优于现有模型，预测误差降低了 10％。此外，案例研究进一步验证了我们的模型捕捉了颗粒运动的基本物理过程，并生成了具有真实物理意义的准确预测。

Feb, 2024

本文提出了利用图神经网络实现的流导向定位方法，能够提高定位精度和覆盖范围，为基于纳米技术和先进材料的体内精准医疗应用打下基础。

Jul, 2023