物理引导的RNN用于动力学系统建模：以湖泊温度剖面模拟为例
计算物理
2019-02-01 v2 人工智能
摘要
本文提出一种物理引导的循环神经网络模型（PGRNN），该模型结合RNN与基于物理的模型，以利用二者的互补优势并改进对物理过程的建模。具体而言，我们展示了PGRNN能够比物理模型提高预测精度，同时生成符合物理定律的输出，并具有良好的泛化能力。标准RNN即使产生更优的预测精度，也常产生物理上不一致的结果且缺乏泛化能力。我们进一步通过使用一种预训练方法来增强该方法，该方法利用基于物理的模型所模拟的数据来解决观测数据稀缺的问题。PGRNN具有融入额外物理约束的灵活性，我们引入了一个密度-深度关系。两项增强均进一步提升了PGRNN的性能。尽管我们在湖泊温度动力学建模的背景下提出并评估了该方法，但其更广泛地适用于使用机理（也称为基于过程）模型的科学与工程专业领域，例如电力工程、气候科学、材料科学、计算化学以及生物医学。
引用
@article{arxiv.1810.13075,
title = {Physics Guided RNNs for Modeling Dynamical Systems: A Case Study in Simulating Lake Temperature Profiles},
author = {Xiaowei Jia and Jared Willard and Anuj Karpatne and Jordan Read and Jacob Zwart and Michael Steinbach and Vipin Kumar},
journal= {arXiv preprint arXiv:1810.13075},
year = {2019}
}