这篇论文介绍了一种基于虚拟流量计（VFM）的连续校准方法，使用生产分离器提供的测量和假设观测流等于每个个别井的流量总和，应用时序 Monte Carlo (SMC) 推断调谐系数以及每个井的流量组成。通过使用合成数据和实际数据进行测试，结果表明该方法能够在无需依赖井试数据情况下提供合理的参数估计。

Apr, 2023

本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

Jan, 2019

本研究利用一种并行混合神经网络架构，在工业环境中设计的，结合参数化量子电路和传统前馈神经网络的时间序列预测，以提高对未来 15 分钟的蒸汽质量流量预测。我们的结果表明，并行混合模型在训练后在测试集上的均方误差损失低于纯经典模型和纯量子模型的 5.7 倍和 4.9 倍，并且在测试集上，混合模型与真实情况的相对误差更小，比纯经典模型好 2 倍。这些发现有助于更广泛地了解如何将量子和经典机器学习技术整合到能源领域所面临的实际挑战中，最终优化发电厂的运营。

Jul, 2023

本文提出了一种基于少量位置布置的压力传感器的数据驱动空气动力学力预测模型，包括线性项和非线性校正，其中线性项通过减少的基础重构预测表面压力分布，而非线性项则是视情况而定的人工神经网络，用于提高精度。该模型在模拟和实验数据中被验证为快速准确地预测无人机的气动力。

May, 2023

该研究首次利用物理信息神经网络（PINNs）方法预测压缩器叶片的流场，通过在正向和反向问题中融入 Navier-Stokes 方程，在正向问题中，相比深度神经网络（DNNs），PINNs 能更精确地预测流场，且在无部分边界条件的反向问题中，PINNs 比传统的 CFD 方法表现出明显优势，能仅依靠部分速度向量和壁压力信息成功重构压缩器叶片的流场，证明了 PINNs 作为一种有潜力的替代方法能提供给涡轮机械设计师更高的准确性。

Jul, 2023

本文介绍使用基于化学工程知识和强化学习算法的动态模拟器进行预测并作为软传感器来估计化工厂内部状态变量的方法，并探讨了使用这种软传感器进行化工厂操作和控制的前景及其所需预测模型的方法。

Aug, 2022

研究了压缩机为基础的机器的多变量时间序列上运用的故障检测、故障预测、预测和变点检测的最近研究，并对所用算法进行了比较，突出了现有技术的不足之处，并讨论了该领域最有前景的未来研究方向。

Feb, 2024

本文提出了一种基于卷积神经网络（CNN）的近似模型，用于流场预测，该模型可以有效地估算速度和压力场，实现了对空气动力学力和流场的研究。

May, 2019

本研究通过在设备上部署软传感器，提高传感器融合和感知能力，改善能源效率，并利用可编程逻辑门阵列（FPGA）和微控制器单元的协同整合，提供了一种具有潜力的创新方法来高效地执行实时推理任务。

Nov, 2023

应用深度学习方法进行物理模拟（如计算流体动力学）在工业上的实际应用受到限制。本文证明了一种基于深度学习框架的实时预测多级轴流压缩机在燃气涡轮中轴向间隙变化对空气动力性能的影响的方法。所提出的 C（NN）FD 架构可扩展到工业应用，并实时达到与 CFD 基准相当的准确性。部署的模型容易集成到燃气涡轮的制造和构建过程中，从而提供了评估性能影响并可能减少对昂贵物理测试的需求的机会。

Oct, 2023