基于物理信息神经网络的热源系统温度场反演
机器学习
2022-06-14 v1
摘要
在有限观测下热源系统的温度场反演（TFI-HSS）对监测系统健康至关重要。尽管已提出插值等一些方法求解 TFI-HSS，但现有方法忽略了数据约束与物理约束之间的相关性，导致精度较低。在本工作中，我们开发了基于物理信息神经网络的温度场反演（PINN-TFI）方法求解 TFI-HSS 任务，以及基于系数矩阵条件数的观测位置选择（CMCN-PSO）方法以选取噪声观测的最优位置。对于 TFI-HSS 任务，PINN-TFI 方法将约束项编码进损失函数，从而将该任务转化为最小化损失函数的优化问题。此外，我们发现噪声观测显著影响 PINN-TFI 方法的重构性能。为减轻噪声观测的影响，提出 CMCN-PSO 方法寻找最优位置，其中利用观测的条件数来评估位置。结果表明，PINN-TFI 方法可显著提升预测精度，CMCN-PSO 方法能找到良好位置以获取更鲁棒的温度场。
引用
@article{arxiv.2201.06880,
title = {Temperature Field Inversion of Heat-Source Systems via Physics-Informed Neural Networks},
author = {Xu Liu and Wei Peng and Zhiqiang Gong and Weien Zhou and Wen Yao},
journal= {arXiv preprint arXiv:2201.06880},
year = {2022}
}