基于物理信息神经网络的热力学性质检索

逆热问题指的是根据观察到的或已知的热扩散行为估计材料热力学性质。逆热问题有着广泛的应用，但关键应用在于量化建筑外墙改造如何减少热传导，这是建筑能源效率的关键决定因素。然而，使用非侵入式数据在现场求解逆热问题容易出错，由于环境波动或偏离理论假设的条件。因此，当前测量热导率的方法要么是侵入式的，要么需要长时间的观察，要么对环境和实验条件敏感。本文提出了一种基于PINN的迭代框架，用于从墙面的热图中估算热导率k；我们的框架在固定k下交替估计前向热问题中的PINN，并通过比较PINN预测的热图和表面温度来优化k，直到估计的k收敛。我们使用由气象站捕获的环境数据以及由有限体积法软件生成的模拟数据，准确预测了在不同环境条件和数据采集采样时间下的k值，前提是墙面温度在黎明时接近稳态。虽然违反稳态假设会影响k估计的准确性，但我们表明，本文提出的框架仍仅在最大均方误差(MSE)为4.0851的情况下表现良好。我们的工作表明，PINN-based方法在现实条件下无需长期测量 campaign即可可靠地估计材料属性。鉴于目前缺乏关于使用机器学习，特别是PINN，用于求解现场逆问题的研究，本文预期将为该领域的更多研究提供起点。