SPINN：一个最优自监督物理信息神经网络框架
机器学习
2025-09-09 v1
摘要
developed 了一个预测液态钠 (Na) 流经矩形微型散热器内对对流热传递系数的 surrogate 模型。初始应用了基于核的机器学习技术和浅层神经网络处理 87 个液态钠在矩形微型散热器中的 Nusselt 数数据集。随后，使用自监督物理信息神经网络和迁移学习方法来提高估计性能。在自监督物理信息神经网络中，额外的层确定物理在损失函数中的权重，以基于其不确定性平衡数据和物理，从而实现更好的估计。对于迁移学习，针对水训练的浅层神经网络被 adapted 用于 Na。验证结果表明，自监督物理信息神经网络成功地估计了 Na 的热传递率，误差范围约为 +8%。仅使用物理进行回归，误差保持在 5% 到 10% 之间。其他机器学习方法将预测值主要限定在 +8%。使用计算流体动力学 (CFD) 对液态金属的湍流强迫对流进行高保真建模既耗时又计算昂贵。因此，基于机器学习的模型为液态金属冷却的微型散热器的设计和优化提供了强大的替代工具。
引用
@article{arxiv.2509.05886,
title = {SPINN: An Optimal Self-Supervised Physics-Informed Neural Network Framework},
author = {Reza Pirayeshshirazinezhad},
journal= {arXiv preprint arXiv:2509.05886},
year = {2025}
}