基于串联神经网络的多保真信息融合

近来，计算建模已转向深度学习及其他数据驱动建模框架。尽管这种建模转变在设计优化和实时控制等诸多应用中通过降低计算负担而展现前景，训练深度学习模型需要海量数据。对于科学问题而言，这类大数据并非总可获得，并导致数据驱动模型泛化能力差。利用基于物理的模型所提供的资讯可弥补这一缺口。本研究借助关于所研究问题的先验知识，提出一种串联神经网络方法，以构建更具针对性、有效且高效的机器学习模型。在不失通用性与模块化的前提下，我们的分析聚焦于层流与湍流边界层流动预测模型的开发。具体而言，我们通过串联神经网络将自相似解与幂律速度剖面（低保真模型）同来自实验或计算流体动力学模拟的含噪数据（高保真模型）相结合。我们展示了这些简化模型的知识如何降低深度学习模型相关的不确定性。所提框架生成物理一致的模型，力求比纯基于数据获得的数据驱动模型具有更好的泛化能力。尽管我们针对流体力学相关问题演示了框架，其工作流与原理可被诸多经验模型盛行的科学问题所采用。顺应新颖物理引导机器学习原理的重大需求，本工作在广泛的基于物理的理论与数据驱动建模范式间架起桥梁，并为在下一代数字孪生技术中使用混合建模方法铺平道路。