PhysiNet：基于物理的模型与神经网络模型结合的数字孪生
机器学习
2021-12-03 v2 系统与控制
系统与控制
摘要
作为物理系统或过程的实时数字对应体，数字孪生被用于系统仿真与优化。神经网络是利用数据构建数字孪生模型的一种方式，尤其在基于物理的模型不准确甚至不可用时。然而，对于新设计的系统，积累足够数据用于神经网络模型需要时间，且仅有近似的基于物理的模型可用。为利用两种模型优势，本文提出一种结合基于物理的模型与神经网络模型的方法，以提升系统全生命周期的预测精度。所提混合模型（PhysiNet）能够自动结合这些模型并提升其预测性能。实验表明，PhysiNet 优于基于物理的模型和神经网络模型。
引用
@article{arxiv.2106.14790,
title = {PhysiNet: A Combination of Physics-based Model and Neural Network Model for Digital Twins},
author = {Chao Sun and Victor Guang Shi},
journal= {arXiv preprint arXiv:2106.14790},
year = {2021}
}