基于物理的集成热能系统数字孪生：使用主动学习

热能分配系统的实时监督控制需要准确、可解释且具备不确定性感知能力的数字孪生，同时保持数据和计算的高效性。仅使用高保真仿真代价高昂，而纯数据驱动的代理模型往往缺乏鲁棒性。为应对这些挑战，本文提出了一种主动学习（AL）框架，将系统级 Modelica 仿真与四种更简单的物理信息驱动和数据驱动代理建模方法相耦合：确定性带控制非线性动力学稀疏识别（SINDyC）、其概率多元高斯扩展（MvG-SINDyC）、前馈神经网络（FNN）和门控循环单元（GRU）网络。针对每种代理模型，采用了模型特定的 AL 查询策略，包括 MvG-SINDyC 在系数空间中的马氏距离采样，以及 SINDyC、FNN 和 GRU 在预测空间中基于误差的采样，使学习过程能够优先处理动态信息丰富的轨迹。所提方法在 Idaho National Laboratory 的热能分配系统（TEDS）的乙二醇换热器（GHX）子系统上进行了演示。在 GHX 的关键输出——旁路质量流量 $\dot{m}_{\mathrm{GHX}}$ 和传热率 $Q_{\mathrm{GHX}}$——上，AL 框架仅使用随机采样所需仿真轨迹的五分之一，便实现了相当的预测精度。在所评估的代理模型中，GRU 实现了最高的预测保真度，而 SINDyC 保持最高的计算效率和可解释性。概率性 MvG-SINDyC 代理模型进一步实现了不确定性量化，并在 AL 下展现出最大的计算增益。