数据驱动物理信息神经网络求解中子扩散本征值问题的不确定性分析
机器学习
2023-03-20 v3 数据分析、统计与概率
摘要
在实际工程实验中，通过探测器获得的数据不可避免地含有噪声。针对已提出的数据驱动物理信息神经网络（DEPINN）\citep{DEPINN}，我们从多个角度研究了当先验数据包含不同尺度噪声时 DEPINN 在计算中子扩散本征值问题中的表现。进一步，为降低噪声影响并提高含噪先验数据的利用率，我们提出了创新的区间损失函数并给出了严格的数学证明。通过大量数值结果在两个典型基准问题上检验了 DEPINN 的鲁棒性，并通过对比证明了所提区间损失函数的有效性。本文确认了改进 DEPINN 在核反应堆物理实际工程应用中的可行性。
引用
@article{arxiv.2303.08455,
title = {On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem},
author = {Yu Yang and Helin Gong and Qihong Yang and Yangtao Deng and Qiaolin He and Shiquan Zhang},
journal= {arXiv preprint arXiv:2303.08455},
year = {2023}
}
备注
The experiments in Figures 6 and 10 in the article have errors that need to be corrected. Moreover, we intend to make massive changes to the content of the article, and therefore need to withdraw the article