基于区域法的物理信息神经网络在加热炉中的应用

基础工业（FIs）包括玻璃、金属、水泥、陶瓷、大宗化学品、造纸、钢铁等，并为汽车、机械、建筑、家用电器、化工等广泛的经济相关产业提供关键的基础材料。基础工业制造链中的加热炉能耗密集。对加热炉内底层温度的准确实时预测有望缩短整体加热时间，从而控制能耗以实现基础工业的净零目标。在本文中，我们将该预测视为回归任务，并鉴于神经网络在具备充足数据时的高效有效固有特性而探索之。然而，由于在加热炉等场景中难以获得高质量真实数据，我们使用经典的基于 Hottel 区域法的计算模型来生成模型训练数据。为进一步提升训练模型的分布外（Out-Of-Distribution）泛化能力，我们提出了一种物理信息神经网络（PINN），通过一组新颖的能量平衡正则化项引入先验物理知识。