结合基于物理与数据驱动技术利用修正源项方法实现可靠的混合分析与建模
机器学习
2022-06-08 v1
摘要
数字孪生、自主系统和涉及安全关键应用的人工智能系统等新兴技术需要准确、可解释、计算高效且可泛化的模型。遗憾的是，两种最常用的建模方法——基于物理的建模（PBM）和数据驱动建模（DDM）——均无法满足所有这些要求。在当前工作中，我们展示了结合 PBM 与 DDM 优势的混合方法如何产生可超越二者各自的模型。为此，我们将基于描述部分已知物理的第一性原理的偏微分方程与一个黑盒 DDM（此处为补偿未知物理的深度神经网络模型）相结合。首先，我们给出该方法为何有效的数学论证，然后将混合方法应用于建模具有未知源项的二维热扩散问题。结果表明该方法在准确率和可泛化性方面具有优越性能。此外，展示了如何在混合框架内解释 DDM 部分以使整体方法可靠。
引用
@article{arxiv.2206.03451,
title = {Combining physics-based and data-driven techniques for reliable hybrid analysis and modeling using the corrective source term approach},
author = {Sindre Stenen Blakseth and Adil Rasheed and Trond Kvamsdal and Omer San},
journal= {arXiv preprint arXiv:2206.03451},
year = {2022}
}