基于低保真模型与物理信息高斯过程在数字孪生间学习物理

数字孪生是表示个体（例如部件、患者或过程）的计算机模型。在许多情况下，我们希望从其数据中获取关于一个个体的知识，同时纳入不完善的物理知识并从其他个体的数据中学习。在本文中，我们引入了一种完全贝叶斯方法，用于在每个人体的物理参数受关注的环境下在数字孪生之间学习。在每个个性化模型的模型表述中引入了一个模型偏差项，以考虑低保真模型缺失的物理。为了允许个体间共享信息，我们引入了一个贝叶斯分层建模框架，其中个体模型通过层次中的新一层相连接。我们的方法在两个案例研究中得到展示：文献中先前使用并扩展到更多个体的玩具示例，以及与高血压治疗相关的心血管模型。案例研究表明：1) 未考虑不完善物理模型的模型存在偏差且过度自信；2) 考虑不完善物理模型的模型更不确定但覆盖了真实值；3) 在数字孪生间学习的模型比相应的独立个体模型不确定性更小，但并不过度自信。