基于深度卷积神经网络的温度场预测多保真代理建模
机器学习
2023-01-18 v1 人工智能
摘要
温度场预测在系统工程热设计中具有重要意义，构建代理模型是该任务的有效途径。通常，需要大量标注数据来保证代理模型良好的预测性能，尤其是具有更多参数和更强表征能力的深度学习模型。然而，标注数据，特别是高保真标注数据，通常获取成本高昂，有时甚至无法获得。为解决该问题，本文提出一种简洁的深度多保真模型（DMFM）用于温度场预测，其利用低保真数据以更少的高保真数据提升性能。首先，DMFM 中开发了预训练与微调范式来训练低保真和高保真数据，显著降低了深度代理模型的复杂度。然后，提出一种用于训练物理驱动深度多保真模型（PD-DMFM）的自监督学习方法，其充分利用工程系统的物理特性，减少了训练过程中对大量标注低保真数据的依赖。构建了两个不同的温度场预测问题来验证 DMFM 和 PD-DMFM 的有效性，结果表明所提方法可大幅降低模型对高保真数据的依赖。
引用
@article{arxiv.2301.06674,
title = {Multi-fidelity surrogate modeling for temperature field prediction using deep convolution neural network},
author = {Yunyang Zhang and Zhiqiang Gong and Weien Zhou and Xiaoyu Zhao and Xiaohu Zheng and Wen Yao},
journal= {arXiv preprint arXiv:2301.06674},
year = {2023}
}