具有硬线性等式约束的物理信息神经网络
机器学习
2024-02-13 v1 最优化与控制
摘要
代理建模用于替代计算成本高昂的模拟。神经网络已被广泛用作代理模型，能够对复杂物理系统进行高效评估。尽管如此，神经网络是数据驱动模型，缺乏任何物理知识。将物理知识融入神经网络可以提高泛化能力和数据效率。物理信息神经网络（PINN）是一种利用数据中已知物理约束的方法，但它无法在预测中严格满足这些约束。本文提出了一种新颖的物理信息神经网络KKT-hPINN，该网络通过从KKT条件导出的投影层严格保证硬线性等式约束。在连续搅拌釜反应器（CSTR）单元、萃取蒸馏子系统和化工厂的Aspen模型上的数值实验表明，该模型可以进一步提高预测精度。
引用
@article{arxiv.2402.07251,
title = {Physics-Informed Neural Networks with Hard Linear Equality Constraints},
author = {Hao Chen and Gonzalo E. Constante Flores and Can Li},
journal= {arXiv preprint arXiv:2402.07251},
year = {2024}
}