面向温度场重建的深度可逆回归模型与物理信息无监督联合学习
机器学习
2022-12-27 v5 人工智能
摘要
工程系统中热源部件全生命周期的温度监测对于保证这些部件的正常运转与工作寿命至关重要。然而,现有方法主要利用插值估计从有限监测点重建温度场,需要大量温度张量才能实现准确估计。这会降低系统的可用性与可靠性,并急剧增加监测成本。为解决该问题,本文提出了一种新颖的面向热源系统温度场重建(TFR-HSS)的物理信息深度可逆回归模型,该模型能够在无监督条件下利用有限监测点更好地重建温度场。首先,我们对 TFR-HSS 任务进行数学定义与数值建模,从而将该任务转化为图像到图像的回归问题。随后,本文开发了能够更好学习物理信息(尤其是边界处物理信息)的深度可逆回归模型。最后,考虑到热传导的物理特性及边界条件,本文提出了包含四项训练损失的物理信息重建损失,并利用这些损失无监督地联合学习深度代理模型。我们在典型二维热源系统上进行了实验研究,以证明所提方法的有效性。
引用
@article{arxiv.2106.11929,
title = {Joint Deep Reversible Regression Model and Physics-Informed Unsupervised Learning for Temperature Field Reconstruction},
author = {Zhiqiang Gong and Weien Zhou and Jun Zhang and Wei Peng and Wen Yao},
journal= {arXiv preprint arXiv:2106.11929},
year = {2022}
}
备注
Accepted by Engineering Applications of Artificial Intelligence