TwinLab：面向数字孪生体的非侵入式数据高效训练简化模型框架
计算工程、金融与科学
2024-07-08 v1 人工智能
系统与控制
系统与控制
动力系统
摘要
目的：基于仿真的数字孪生体旨在提供对操作中物理过程的高精度实时洞察。然而，许多多物理仿真模型的计算时间距离实时还有很大差距。甚至可能在生产足够数据以训练数据驱动的简化模型方面，都超出了合理的时间范围。本研究提出了TwinLab——一个用于数据高效且准确训练类神经ODE简化模型的框架，仅需两个数据集。设计/方法/方法：研究Reduced-order模型的测试误差与相应训练数据的不同特征之间的相关性。经过调查后，发现单一最佳数据集用于训练后， seeks第二数据集借助相似性和误差度量，以有效丰富训练过程。发现：在训练过程中添加合适的第二数据集，可将测试误差最高降低49%。该第二数据集至少应能独立生成良好的简化模型，并相对于相应激励信号在基准训练数据集上的dissimilarity程度较高。此外，基准简化模型应在第二数据集上具有较高的测试误差。时间序列的相对误差范围为0.18%至0.49%。实现速度提升最高可达36000倍。原创性：该提出的计算框架促进了从现有仿真模型中自动、数据高效地提取面向数字孪生体的非侵入式简化模型，独立于仿真软件。
引用
@article{arxiv.2407.03924,
title = {TwinLab: a framework for data-efficient training of non-intrusive reduced-order models for digital twins},
author = {Maximilian Kannapinn and Michael Schäfer and Oliver Weeger},
journal= {arXiv preprint arXiv:2407.03924},
year = {2024}
}
备注
Accepted version of the revised manuscript published in Engineering Computations