物理信息神经网络与序列编码器：应用于热冲压过程的加热与早期冷却
计算工程、金融与科学
2026-03-30 v1 人工智能
摘要
在之前的工作中（Elaarabi et al., 2025b），用于在线动力学系统识别的序列编码器（Elaarabi et al., 2025a）及其与PINN的结合（PINN-SE）被提出并在合成数据和真实数据场景下进行了测试。序列编码器能够有效地将时间序列编码为特征向量，PINN随后利用这些特征向量映射到动力学行为，预测系统在参数、初始条件和边界条件变化下的响应。此前（Elaarabi et al., 2025b），真实数据上的测试仅限于简单的一维问题，且序列编码器的输入仅为一维时间序列。在本工作中，探索了将PINN-SE应用于更真实案例的可能性：热冲压过程中的加热与早期冷却，这是连续纤维增强复合材料热塑性聚合物成形过程中的关键阶段。还探索了将PINN-SE输入扩展至多模态数据（如时间序列二维图像序列）以及涉及可变几何形状的场景的可能性。结果表明，将多个编码器与先前提出的方法（Elaarabi et al., 2025b）相结合是可行的，我们还表明，利用基于实验数据生成的合成数据训练模型可以帮助模型在训练阶段未见过的真实实验数据上实现良好的泛化。
引用
@article{arxiv.2603.26245,
title = {Physics-Informed Neural Networks and Sequence Encoder: Application to heating and early cooling of thermo-stamping process},
author = {Mouad Elaarabi and Domenico Borzacchiello and Philippe Le Bot and Nathan Lauzeral and Sebastien Comas-Cardona},
journal= {arXiv preprint arXiv:2603.26245},
year = {2026}
}