利用深度学习方法，本研究提出了一种基于时空注意力机制和隐藏的物理信息神经网络（STA-HPINN）用于预测剩余使用寿命（RUL），该模型能够有效地提取相关数据的降解信息，并且在物理约束下实现更高准确性和合理的预测，并在基准数据集上验证了其出色的性能。

May, 2024

通过物理信息神经网络（PINNs）整合物理规律的先验知识，本研究提出了一种新颖的方法用于加速电力系统状态估计，以监测电力系统的运行情况。该方法在保持高准确性的同时，显著降低了状态估计的计算复杂性，实验证明其准确度提高了 11％，结果的标准偏差降低了 75％，收敛速度提高了 30％。

Oct, 2023

本文提出了一种多变量物理信息卷积自编码器（PIConvAE）模型，用于检测具有不平衡配置和高分布式能源资源渗透的电力配电系统中的网络异常。该模型通过定制的损失函数将物理规律嵌入到自编码器的训练过程中，通过对 IEEE 123-bus 系统和 Riverside，CA 的现实用电线路进行评估，结果表明该方法在检测两个系统中的各种网络异常方面表现出了卓越的性能。此外，文章还将该模型的有效性在不同训练数据比率的数据稀缺情况下进行了评估，并将该模型与现有的机器学习模型进行了性能比较，表明 PIConvAE 模型在检测指标方面明显超越其他模型。

Jun, 2024

通过引入基于物理知识的神经网络方法和积分滤波解法，提出了一种用于检测电力分布系统中隐蔽网络攻击的多变量基于物理知识的卷积自编码器模型，通过使用 Kirchhoff 定律将物理原理融入神经网络的损失函数中，在 OpenDSS 软件上模拟验证了该方法的有效性，证明了在准确性、收敛时间和检测能力方面的优越性。

Dec, 2023

提出了一种名为 PINNsFormer 的基于 Transformer 的新型框架，通过在 Transformer 模型中利用多头注意力机制捕捉时间依赖关系，准确地近似了偏微分方程（PDE）的解。PINNsFormer 不仅适应了输入向量到伪序列和基于点的 PINNs 损失到序列 PINNs 损失的转变，还配备了一种名为 Wavelet 的新型激活函数，通过深度神经网络预估了傅里叶分解。通过大量实验，验证了 PINNsFormer 在多种情景下捕获 PDE 解的能力，并与传统 PINNs 相比，以极小的计算和内存成本，实现了更高的近似精度。

Jul, 2023

本文提出了基于 PINN 模型融合物理动态模型和数据驱动模型用于锂离子电池降解动力学的半经验 / 半物理偏微分方程的模型融合方案，并采用基于不确定性的自适应加权方法平衡多个学习任务在公共 LFP / 石墨化锂离子电池数据集上进行验证。

Jan, 2023

本篇论文提出了一种基于物理知识的神经网络（PINN）方法来监测柴油发动机的健康状况，并考虑将深度神经网络（DNN）与 PINN 模型相结合，以更好地适应柴油发动机的状态。

Apr, 2023

本文提出了一种名为 SA-PINNs 的自适应训练方法，通过使用可训练的自适应权重和基于高斯过程回归的连续权重映射，使神经网络学习重点区域并获得了很好的性能，在多项线性和非线性基准测试问题中表现出色，是当前最先进的 PINN 算法之一。

Sep, 2020

利用物理学信息神经网络（PINN）对换热器进行实时健康监测，以提高热电厂能效，达到减少推理时间的目的，同时保持物理学基础仿真准确性，使该方法对于数字孪生环境中的换热器预测性维护非常有吸引力。

Dec, 2022

本研究提出一种基于物理知识约束的神经网络（PINN），用于模拟复合材料在固化炉中的热化学演变，并且该网络能有效地求解包括传热和树脂固化动力学等方程组。在 PINN 中，为了解决热传导和树脂固化行为的差异，设计了由两个不连通子网络组成。此外，还采用了一种对 PDE、边界、界面和初始条件自适应调整损失项权重的技术。最后，我们证明了 PINN 可用于实时模拟材料不同厚度和热边界条件下的多种场景，并且可以使用迁移学习来显著减少解决类似问题的训练时间。

Nov, 2020