加速反应流高保真模拟的概率传递学习方法

May, 2024

加速反应流高保真模拟的概率传递学习方法

Probabilistic transfer learning methodology to expedite high fidelity simulation of reactive flows

Bruno S. Soriano, Ki Sung Jung, Tarek Echekki, Jacqueline H. Chen, Mohammad Khalil

TL;DR利用贝叶斯神经网络和自编码器来降低状态空间的维度，将知识从源域传递到目标域，该新颖的概率迁移学习框架在低维度和稀疏数据情境下能够正确预测热化学状态，并且比现有的确定性迁移学习策略所需的数据量少四倍。

Abstract

reduced order models based on the transport of a lower dimensional manifold representation of the thermochemical state, such as Principal Component (PC) →

reduced order models transport probabilistic transfer learning bayesian neural networks data sparsity

发现论文，激发创造

化学反应流中主成份传输源项预测的迁移学习

通过使用各种迁移学习模型来预测氢 / 空气混合物的均相点火过程数据驱动的降阶模型的化学源项等目标，本研究评估了是否可以减少所需的训练样本数量。

Dec, 2023

FTL：通过深度神经网络在低维嵌入中传输学习非线性等离子体动力学转换

利用深度学习算法研究高维度动力行为的新方法为等离子体聚变系统内的异常模式检测和建立高效模型来进行实时控制提供了独特机会，研究发现我们的 Fusion Transfer Learning (FTL) 模型通过学习有限数量的非线性模拟数据，成功重建出非线性可刚性模式结构，实验结果突出了 FTL 捕捉等离子体动力学的过渡行为和动力学特点的能力，并指出该模型是可推广的，并可通过迁移学习扩展以应对各种磁流体力学 (MHD) 模式。

Apr, 2024

基于物理约束深度学习的流体动力学代理建模

本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

Jun, 2019

迭代自迁移学习：一种基于小数据集的响应时程预测通用方法论

本研究提出了一种基于小数据集的迭代式自传递学习方法，通过深度适应网络和伪标签策略的耦合，建立对应的数据集，实现针对小数据集的神经网络训练，并选取复杂构件进行案例研究，结果表明该方法能够在不需要外部标记样本、良好预训练模型、额外人工标记和复杂物理 / 数学分析的情况下，将模型性能提高了近一个数量级。

Jun, 2023

混合 Darrieus-Landau 和扩散热不稳定条件下的火焰演化算子学习

应用新型操作符学习方法对火焰不稳定性的复杂动态进行研究，探索人工智能和机器学习与物理科学的整合，为了解和控制非线性偏微分方程所主导的复杂物理过程的稳定性提供了鲁棒建模框架的发展。

May, 2024

壳模型湍流模拟的自动耗散控制

通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

Jan, 2022

渐进降阶建模：以选择性知识传输强化数据驱动建模

通过减少数据需求并提高数据驱动模型的实际性，我们提出了一种渐进降阶建模框架，通过选择性地从之前的训练模型中转移有价值的知识，从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题，解锁了数据驱动建模在实际工程应用方面的潜力，为各个领域的进步提供了强有力的支持。

Oct, 2023

面向物理学信息的深度学习在湍流流场预测中的应用

使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

Nov, 2019

基于物理信息的扩散反应系统局部学习

本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

May, 2023

大涡模拟中的深度强化学习用于湍流建模

本论文基于强化学习理论，通过卷积神经网络建立了大涡模拟中湍流参数、长时间稳定的模拟、精度等方面都优于传统分析模型的涡黏度动态自适应模型，并将其推广到不同分辨率和离散化的场景，为完成大涡模拟提供一种持续、准确和稳定的参数化框架。

Jun, 2022