基于物理增强的多模态融合神经网络用于管道污染长度区间预测
计算工程、金融与科学
2024-09-20 v1
摘要
在多产品管道运行期间， accurately and effective 预测污染长度区间是指导切割方案制定和提高经济效益的核心关键问题。然而，现有方法侧重于数据驱动模式下提取隐式规律和不足的特征相关性，却忽视了污染发展科学理论中潜在的知识，可能导致实际无用的结果。因此，本研究提出了一种physics-enhanced adaptive multi-modal fused neural network (PE-AMFNN)用于污染长度区间预测，将整体特征相关性和物理知识提取并集成到神经网络中。在PE-AMFNN中，构建了一个多模态自适应特征融合模块，以定量特征重要性建立完整的特征空间，从而捕获充足的特征相关性。随后，设计了一种机制耦合的定制神经网络，以将显式科学原理纳入前向和反向传播。此外，建立了一种physics嵌入损失函数，引入区间差异和区间相关约束，以挖掘污染发展中潜在的物理知识，并迫使模型产生物理上不合理的结果。实验验证表明，所提出的模型优于当前最先进的技术和最新成果，在下限和上限预测中分别将均方根相对误差降低了31%和36%。此外，模型模块的敏感性分析表明，多模态特征融合和物理原理对模型改进至关重要。
引用
@article{arxiv.2409.12481,
title = {A physics-enhanced multi-modal fused neural network for predicting contamination length interval in pipeline},
author = {Jian Du and Pengtao Niu and Jianqin Zheng and Qi Liao and Yongtu Liang},
journal= {arXiv preprint arXiv:2409.12481},
year = {2024}
}
备注
16 pages, 9 figures. This paper is one of the research outputs of the intelligent oil and gas pipeline in our team, which can be abbreviated as "DeepPipe". This paper have been submitted to the journal and is under review