用于动力系统控制的物理信息神经网络
机器学习
2024-02-29 v3
摘要
物理信息神经网络（PINN）将已知物理定律嵌入深度神经网络的学习中，确保其遵循过程物理规律的同时降低对标注数据的需求。对于由常微分方程（ODE）表示的系统，常规PINN具有连续时间输入变量并输出相应ODE的解。在其原始形式中，PINN不允许控制输入，也无法在不严重退化预测的前提下模拟可变的长时段区间。在此背景下，本工作提出称为物理信息神经网控（PINC）的新框架，其提出一种新颖的基于PINN的架构，适用于控制问题且能够模拟事先未固定的更长时段时域，相较传统PINN成为非常灵活的框架。此外，这种微分方程的长时间域模拟快于数值方法，因其仅依赖信号在网络中的传播，计算成本更低，从而成为模型预测控制中模型模拟的更优替代。我们在两个非线性动力系统——范德波尔振荡器与四容水箱系统的控制中展示了我们的方案。
引用
@article{arxiv.2104.02556,
title = {Physics-Informed Neural Nets for Control of Dynamical Systems},
author = {Eric Aislan Antonelo and Eduardo Camponogara and Laio Oriel Seman and Eduardo Rehbein de Souza and Jean P. Jordanou and Jomi F. Hubner},
journal= {arXiv preprint arXiv:2104.02556},
year = {2024}
}