基于隐式物理先验的稀疏观测温度场重建方法
机器学习
2025-12-02 v1
摘要
热源系统的温度场重建（TFR-HSS）对于电子设备和航空结构等工程应用中的热监测和可靠性评估至关重要。然而，测量获取成本高昂且温度场在不同条件下的分布式移移显著，使得开发具备鲁棒泛化能力的重建模型面临重大挑战。现有的基于深度神经网络的方法通常将 TFR-HSS 表述为仅基于目标稀疏测量的单映射回归问题，未能有效利用隐式编码热力学知识的参考仿真数据。为此，本文提出 IPTR，一个基于隐式物理引导的温度场重建框架，引入来自参考仿真的稀疏监测-温度场对作为先验，以丰富物理理解。为整合参考与目标信息，我们设计了双分支的物理嵌入模块：一个采用跨注意力机制从参考数据中提取潜在物理的隐式物理引导分支，以及基于傅里叶层捕获目标观测空间特征的辅助编码分支。融合表示随后被解码以重建完整温度场。在单条件、多条件和少样本设置下进行的广泛实验表明，IPTR 在重建精度和泛化能力方面持续优于现有方法，实现了最先进的重建效果。
引用
@article{arxiv.2512.01196,
title = {Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors},
author = {Shihang Li and Zhiqiang Gong and Weien Zhou and Yue Gao and Wen Yao},
journal= {arXiv preprint arXiv:2512.01196},
year = {2025}
}