基于内嵌物理约束神经网络模型的航空发动机数字工程模型 被引量：5

1

作者 林志富 肖洪 +1 位作者 王占学 张晓博 《推进技术》 EI CAS CSCD 北大核心 2023年第11期49-60,共12页

基于数字化模型的航空发动机故障诊断与健康管理系统是航空发动机数字化智能化的重要应用,用于航空发动机状态监测和性能预估的数字化模型是健康管理系统的核心之一。本文给出了一种融合航空发动机领域知识与神经网络模型的策略,构建了... 基于数字化模型的航空发动机故障诊断与健康管理系统是航空发动机数字化智能化的重要应用,用于航空发动机状态监测和性能预估的数字化模型是健康管理系统的核心之一。本文给出了一种融合航空发动机领域知识与神经网络模型的策略,构建了内嵌物理约束的神经网络架构,基于该架构建立了用于航空发动机推力预估的数字模型。此外,给出了一种特征筛选方式,并利用不同数据集对模型进行了验证。计算结果表明:数字模型推力预估的平均相对误差和峰值相对误差均小于常规神经网络模型。在一定的模型规模下,基于架构的数字模型的峰值相对误差仅为常规神经网络模型的1/4。通过物理约束,克服了数据驱动模型对大数据的依赖,指导了神经网络层的超参数设置。 展开更多

关键词 航空发动机 数字工程模型 内嵌物理约束神经网络 性能参数预估 特征处理

在线阅读 下载PDF 职称材料

基于硬约束和物理信息神经网络结合的天然气管网仿真新方法 被引量：4

2

作者 金凤 郭祎 +7 位作者 张岩 马秀云 刘斌 焦健丰 殷雄 徐海龙 宫敬 温凯 《天然气工业》 北大核心 2025年第1期164-174,共11页

随着天然气管网互联互通成环成网,需要利用仿真技术模拟各种工况下的管网运行状态,以提升管网的供气能力,进而降低管网运行成本。现有的智能化仿真方法过于依赖数据驱动,忽略了天然气流动机理,导致精度与稳定性较差且结果不可解释。为此... 随着天然气管网互联互通成环成网,需要利用仿真技术模拟各种工况下的管网运行状态,以提升管网的供气能力,进而降低管网运行成本。现有的智能化仿真方法过于依赖数据驱动,忽略了天然气流动机理,导致精度与稳定性较差且结果不可解释。为此,从机理角度分析了天然气流动基本控制方程与管网拓扑结构,将机理信息耦合至深度学习的损失函数指导结构设计与训练,形成了天然气管网物理信息神经网络PINN(Physics-Informed Neural Network)仿真模型;然后描述了输入输出变量之间的耦合关系,设计边界条件嵌入训练硬约束模式,建立了硬约束和物理信息神经网络结合BHC-PINN(Boundary Hard-Constraint Physics-Informed NeuralNetwork)的模型,实现了天然气管网全时空状态的仿真监测。研究结果表明:(1) PINN模型将管道与拓扑结构的机理信息耦合进损失函数以提高模型的可解释性,并借助管网进出口冗余数据提高了准确性,实现了对管网压力流量的准确监测;(2)建立的边界硬约束模式,使神经网络的输出强制满足边界条件,得到的流量和压力仿真误差分别从2.1%和0.32%下降低至1.5%和0.082%,训练的效率和速度分别提高了48.5%和55.9%;(3) BHC-PINN能实现管网任意位置气体流动状态的观测,对于中间阀室压力的仿真最大误差为0.2%。结论认为,该新方法能准确仿真天然气管网内流动状态,增强了数据驱动模型的可解释性,并为天然气管网瞬态仿真提供了数据加机理混合驱动的新思路。 展开更多

关键词 天然气管道 水力瞬态仿真 物理信息神经网络 硬约束模式

在线阅读 下载PDF 职称材料

基于硬边界约束物理信息神经网络狭窄动脉血管的血液流场预测

3

作者 向华鑫 桑建兵 +2 位作者 王静远 纪猛强 张晨 《医用生物力学》 北大核心 2025年第5期1222-1229,1238,共9页

目的针对传统物理信息神经网络(physics-informed neural network,PINN)在处理血流边界条件约束时的局限性,提出一种基于硬边界约束物理信息神经网络(hard boundary-constrained physics-informed neural network,HBC-PINN)的改进方法,... 目的针对传统物理信息神经网络(physics-informed neural network,PINN)在处理血流边界条件约束时的局限性,提出一种基于硬边界约束物理信息神经网络(hard boundary-constrained physics-informed neural network,HBC-PINN)的改进方法,实现对狭窄动脉血管内血液流场的精确预测。方法首先建立理想化狭窄血管几何模型并进行计算流体动力学模拟以获得验证数据集。根据硬约束方法设计合适的边界相关试函数以将流动边界条件嵌入网络输出中,从而构建采用硬边界约束方法的HBC-PINN模型预测狭窄血流的速度场和压力场。同时还构建了采用软约束方法的原始PINN模型作为对比,通过评估两种模型在验证数据集上的准确性,验证不使用任何标记数据训练下HBC-PINN模型模拟血流动力学的能力。结果确定了HBC-PINN方法在狭窄血流动力学参数预测任务中的有效性。两种不同狭窄情况下HBC-PINN预测的流向速度和压力的相对L2误差均低于0.5%,相比原始PINN模型精度提升了48.8%以上,垂向速度的预测精度同样提升了超过35.4%。结论在PINN建模过程中实施边界条件硬约束可以有效提高对血流动力学参数的预测精度和模型求解效率。 展开更多

关键词 血管狭窄 血流动力学 物理信息神经网络 硬约束方法

在线阅读 下载PDF 职称材料

基于守恒约束物理信息神经网络的刚性化学动力学长时模拟

4

作者 方涵敏 黄文龙 王子寒 《空间科学学报》 北大核心 2025年第2期277-287,共11页

刚性化学动力学方程在空间科学、大气科学等领域具有重要意义.近年来,物理信息神经网络(PhysicsInformed Neural Network,PINN)作为一种融合物理定律与深度学习的框架,被广泛应用于求解各种偏微分方程.然而,在求解刚性化学动力学方程时,... 刚性化学动力学方程在空间科学、大气科学等领域具有重要意义.近年来,物理信息神经网络(PhysicsInformed Neural Network,PINN)作为一种融合物理定律与深度学习的框架,被广泛应用于求解各种偏微分方程.然而,在求解刚性化学动力学方程时,PINN将出现优化失败,难以有效求解.为解决该问题,本文提出一种新的守恒约束PINN方法.该方法利用共享–分支网络有效处理耦合问题,通过引入物质守恒约束显著提升刚性化学动力学方程的求解性能.同时,分段采样策略进一步增强长时模拟的精度和稳定性.实验结果表明,该方法能够在多时间尺度的复杂系统中实现长时稳定模拟,为解决空间科学中的问题(例如无碰撞等离子体波动和星际物质化学反应)提供了一种新的方法. 展开更多

关键词 刚性化学动力学 物理信息神经网络 守恒约束 分段采样 长时模拟

在线阅读 下载PDF 职称材料

基于硬约束物理信息神经网络的含水层渗透系数场反演

5

作者 舒伟 蒋建国 吴吉春 《地学前缘》 北大核心 2026年第1期500-510,共11页

近年来,物理信息神经网络(physics-informed neural networks,PINNs)在数值求解偏微分方程和计算流体力学等领域得到了广泛应用,并在地下水模拟中展现出初步的应用潜力。现有研究中,PINNs对地下水模型边界条件的处理通常采用软约束算法... 近年来,物理信息神经网络(physics-informed neural networks,PINNs)在数值求解偏微分方程和计算流体力学等领域得到了广泛应用,并在地下水模拟中展现出初步的应用潜力。现有研究中,PINNs对地下水模型边界条件的处理通常采用软约束算法,通过边界条件误差最小化来近似满足物理约束。然而,能够进一步提升求解精度和稳定性的硬约束算法在该领域的应用仍较为有限。为此,本文引入PINNs硬约束方法,提出了一种同时考虑定水头边界和隔水边界条件的PINNs硬约束算法,并以二维承压含水层的渗透系数场反演为例,对比分析了硬约束PINNs相较于软约束PINNs在提高渗透系数场反演精度方面的优势。结果表明,所提出的硬约束PINNs方法的反演平均相对误差相比软约束PINNs降低了75%,且相较于仅考虑定水头边界的硬约束PINNs反演平均相对误差减少了60%。此外,该方法能够有效减少训练所需样本数量和超参数数量,降低人为因素对模型训练的影响,提升了训练效率。因此,该硬约束PINNs方法在含水层渗透系数场反演中展现出良好的精度与效率,具有良好的推广应用前景。 展开更多

关键词 物理信息神经网络 硬约束PINNs 渗透系数场反演 地下水建模 承压含水层

在线阅读 下载PDF 职称材料

基于物理信息神经网络的水库调度研究 被引量：1

6

作者 王飞龙 胡挺 肖扬帆 《水电能源科学》 北大核心 2025年第4期213-216,共4页

传统的水库调度智能模型多是以前馈神经网络或循环神经网络为代表的黑箱模型,模型的可解释性较差,缺乏内部规律的探索。因此,基于物理神经网络基本原理,结合水库调度方程,以出库流量误差及出力误差之和为模型总误差,建立了包含水库调度... 传统的水库调度智能模型多是以前馈神经网络或循环神经网络为代表的黑箱模型,模型的可解释性较差,缺乏内部规律的探索。因此,基于物理神经网络基本原理,结合水库调度方程,以出库流量误差及出力误差之和为模型总误差,建立了包含水库调度方程的物理机制神经网络,并以向家坝水库为例,对比了不含水库调度方程的神经网络,讨论了模型隐藏层数及隐藏层神经元个数对模型精度的影响。结果表明,包含水库调度方程的神经网络模型验证效果优于一般前馈神经网络,验证误差率为3%,隐藏层数和神经元个数太少会导致模拟效果较差,而太多的隐藏层数和神经元个数可能对模型精度提升不大,选择合适的隐藏层数和神经元个数是提高模型精度的手段之一。 展开更多

关键词 水库调度 物理约束 物理信息神经网络 前馈神经网络 PDE

在线阅读 下载PDF 职称材料

基于物理约束的分布式神经网络三维地应力预测模型 被引量：5

7

作者 马天寿 向国富 +2 位作者 桂俊川 贾利春 唐宜家 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2024年第8期3211-3228,共18页

地应力是油气藏全生命周期中井壁稳定分析、水力压裂设计、地层出砂预防、套损预测防治和油气开采措施制定的重要基础参数.针对缺乏三维地震资料情况下的三维地应力场预测问题,以工区已钻井地应力测井解释结果为基础,建立了一种基于物... 地应力是油气藏全生命周期中井壁稳定分析、水力压裂设计、地层出砂预防、套损预测防治和油气开采措施制定的重要基础参数.针对缺乏三维地震资料情况下的三维地应力场预测问题,以工区已钻井地应力测井解释结果为基础,建立了一种基于物理约束的分布式神经网络三维地应力预测模型.首先,采用测井解释方法获得工区已钻井地应力单井剖面,并通过Kriging插值构建三维地质模型;其次,将测井数据和三维地质模型的三维空间坐标喂入3个并行的全连接神经网络,引入地应力物理约束条件,提出了数据和物理双约束的条件,进而通过三维空间坐标实现三维地应力场的预测;再次,优选了数据和物理双约束的权重参数,与人工神经网络、支持向量回归、随机森林等三种机器学习模型以及克里金插值模型进行了对比;最后,评价了不同机器学习模型预测地应力的效果.研究结果表明:(1)研究区域的地应力满足潜在正断层应力状态,即垂向地应力>最大水平地应力>最小水平地应力;(2)数据和物理双约束权重参数取值对预测结果有显著影响,当权重参数λ=0.2时,三维地应力预测效果最优;(3)与人工神经网络、支持向量回归、随机森林、克里金插值等模型相比,本文模型预测得到的地层三维地应力和孔隙压力更准确,在工区内测试集预测得到的垂向地应力、最大水平地应力、最小水平地应力和地层孔隙压力的最大相对误差分别为0.63%、7.59%、7.16%、3.21%,而且,本文模型能够更加准确捕捉地应力梯度的三维变化特征,水平井段地应力和地层孔隙压力参数的正态分布特征明显.结论认为,物理约束的分布式神经网络模型能有效融合地形构造与地应力之间的联系,提高三维地应力预测的准确性和可解释性,为油田三维地应力场的预测提供了一种新的思路. 展开更多

关键词 三维地应力 孔隙压力 神经网络 物理约束 数据驱动 地质模型

在线阅读 下载PDF 职称材料

基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估 被引量：13

8

作者 陆旭 张理寅 +2 位作者 李更丰 别朝红 段超 《电力系统自动化》 EI CSCD 北大核心 2024年第9期107-119,共13页

针对现有数据驱动的电力系统暂态评估方法依赖大规模数据集且可解释性不足的问题,文中将物理知识嵌入传统数据驱动方法,提出一种基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估方法。该方法考虑大规模风电并网的电力系统,将电力... 针对现有数据驱动的电力系统暂态评估方法依赖大规模数据集且可解释性不足的问题,文中将物理知识嵌入传统数据驱动方法,提出一种基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估方法。该方法考虑大规模风电并网的电力系统,将电力系统暂态稳定物理方程内嵌至神经网络损失函数,通过神经网络直接逼近物理过程,使输出结果满足物理规律,提高暂态稳定评估的可靠性与可解释性。通过数据与知识双驱动,所提方法不依赖大规模训练数据集,依然具有较好的鲁棒性与泛化能力。此外,所提方法通过卷积神经网络进行特征提取与降维,解决拓扑数据无法直接作为神经网络输入的难题。在含风机的IEEE 9节点和IEEE 39节点测试系统上的实验结果表明,所提方法在准确率、计算效率、泛化能力等方面相较现有方法有显著提升。 展开更多

关键词 内嵌物理知识卷积神经网络 知识-数据混合驱动 功角 暂态稳定性 机器学习 可解释性

在线阅读 下载PDF 职称材料

基于频域控制约束的物理神经网络非线性系统预测方法 被引量：1

9

作者 钱夔 宋爱国 田磊 《电子科技大学学报》 EI CAS CSCD 北大核心 2024年第2期227-234,共8页

针对现有物理信息神经网络利用数值模拟近似物理控制方程带来的高计算代价、边界条件限制等问题,提出一种基于频域控制约束的物理神经网络非线性系统预测方法。首先构建时序特征交替更新的非线性预测网络模型,再在频域建立基于傅里叶谱... 针对现有物理信息神经网络利用数值模拟近似物理控制方程带来的高计算代价、边界条件限制等问题,提出一种基于频域控制约束的物理神经网络非线性系统预测方法。首先构建时序特征交替更新的非线性预测网络模型,再在频域建立基于傅里叶谱方法(FSM)的物理控制方程约束,时空数据在网络模型与频域控制约束耦合下实现无标签数据加速训练,完成系统演化学习。最后在Burgers系统上进行湍流预测验证,实验结果表明该方法可在物理规则约束下实现无标签非线性复杂建模,对比主流PINN模型及其变体,具有更快的学习速度与预测准确率。在t≤0.25 s、t≤0.5 s短时预测情况下,经前期20次训练后系统预测均方误差(MSE)相比主流基准模型同期预测,MSE降低了86%与95%,在t≤2 s长时预测情况下,经充分训练后系统预测MSE能降低80%。 展开更多

关键词 物理信息神经网络 傅里叶谱方法 频域控制方程约束 Burgers系统 非线性系统预测

在线阅读 下载PDF 职称材料

参数化物理内嵌神经网络求解稳态单能中子扩散解集 被引量：1

10

作者 谢宇辰 马宇 王亚辉 《原子能科学技术》 EI CAS CSCD 北大核心 2024年第6期1242-1249,共8页

物理内嵌神经网络(PINN)是一种结合了物理学知识的深度学习方法,近年开始被用于计算核工程领域中的堆芯中子问题。然而,PINN在求解不同问题时的网络不可复用性极大地影响了该方法的使用价值和效率。为了解决网络不可复用性问题,提出了... 物理内嵌神经网络(PINN)是一种结合了物理学知识的深度学习方法,近年开始被用于计算核工程领域中的堆芯中子问题。然而,PINN在求解不同问题时的网络不可复用性极大地影响了该方法的使用价值和效率。为了解决网络不可复用性问题,提出了一种基于参数化PINN的方法,开发了一种新型的中子扩散物理方程的代理模型。该代理模型具有很高的灵活性和效率,可以在无样本的前提下,快速给出任意给定参数中子扩散问题的解。此外,比较了边界软约束和硬约束下参数化PINN的代理模型预测精度。最后,验证了硬约束PINN代理模型相较于有限元计算软件的加速能力。结果表明,硬约束下的PINN代理模型具有更高的预测精度,且加速比在1000以上。 展开更多

关键词 物理内嵌神经网络 中子扩散 代理模型

在线阅读 下载PDF 职称材料

基于神经网络的三阶拉曼放大光传输系统建模

11

作者 陈佟 邓黎 +5 位作者 王谦 郭小溪 徐健 龙函 黄超 黄丽艳 《光通信研究》 北大核心 2025年第5期21-26,共6页

【目的】三阶分布式拉曼放大器(DRA)是目前长距离无中继传输中的光放大前沿技术,与一阶和二阶DRA传输相比,其在传输过程中能实现更优的增益与噪声特性,但传输过程也更为复杂。然而目前对三阶DRA的建模多基于拉曼功率耦合方程,其需要数... 【目的】三阶分布式拉曼放大器(DRA)是目前长距离无中继传输中的光放大前沿技术,与一阶和二阶DRA传输相比,其在传输过程中能实现更优的增益与噪声特性,但传输过程也更为复杂。然而目前对三阶DRA的建模多基于拉曼功率耦合方程,其需要数值方法求解,计算相对复杂。运算量小的建模方法则基于数据驱动型机器学习,需要庞大的数据量,且泛化能力较差。为此需要新的建模方法,在保证模型精度的前提下提升运算速度。【方法】文章提出了一种基于内嵌物理知识型神经网络(PINN)的方案对三阶拉曼放大光传输系统进行建模。该方案能结合数值方法和数据驱动型机器学习的优点,将微分方程的求解转化为优化问题,通过将微分方程以及边界条件等约束作为损失函数,实现神经网络的训练,使得模型兼顾计算的精度与复杂度。【结果】文章搭建了一个120 km的C波段47信道的三阶拉曼放大光纤传输系统,并分别采用数值方法和所提的PINN对系统进行功率预测,结果表明,PINN预测的信号功率与传统的数值方法偏差小于0.19 dB,预测的泵浦光功率则几乎无误差,而运算次数则降低了一个数量级。【结论】PINN能准确预测三阶拉曼放大光传输系统中泵浦光与信号光的功率演化,且相比数值方法显著降低了计算复杂度。 展开更多

关键词 无中继传输 分布式拉曼放大器 三阶拉曼放大器 内嵌物理知识型神经网络 机器学习

在线阅读 下载PDF 职称材料

基于物理信息神经网络的生物质气化产物分布预测方法 被引量：4

12

作者 邓志平 任少君 +2 位作者 翁琪航 朱保宇 司风琪 《动力工程学报》 CAS CSCD 北大核心 2024年第5期719-726,共8页

机器学习方法已经在生物质气化建模中展现出广阔的应用前景。然而,机器学习模型主要依赖于实验数据,并不考虑气化中的反应机理,在数据样本不充分的情况下模型所表现出的实际关联特性与机理规律之间存在严重偏差。为此,提出一种基于物理... 机器学习方法已经在生物质气化建模中展现出广阔的应用前景。然而,机器学习模型主要依赖于实验数据,并不考虑气化中的反应机理,在数据样本不充分的情况下模型所表现出的实际关联特性与机理规律之间存在严重偏差。为此,提出一种基于物理信息神经网络(PINN)的生物质气化产物分布预测方法,该方法将真实实验数据与先验机理进行无缝衔接,在人工神经网络(ANN)模型中嵌入边界约束和关键参数间的单调性关系,通过自动微分技术进行辅助优化,实现模型的高效训练。结果表明:PINN模型的决定系数大于0.89,均方根误差小于4%,其总体预测精度要优于随机森林(RF)、支持向量机(SVM)和ANN 3种纯拟合机器学习模型;PINN模型能够严格服从边界约束和先验机理单调性关系,表现出更好的可解释性和泛化能力。 展开更多

关键词 生物质气化 机器学习模型 物理信息神经网络 机理约束

在线阅读 下载PDF 职称材料

基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解 被引量：17

13

作者 赵暾 周宇 +1 位作者 程艳青 钱炜祺 《空气动力学学报》 CSCD 北大核心 2021年第5期19-26,共8页

建立了一种基于内嵌物理机理神经网络(PINN)的热传导方程的正问题及逆问题求解方法。该方法利用自动微分技术将一维热传导方程嵌入到深度网络的损失函数中,通过以损失函数最小为目标来优化深度网络,求解一维热传导方程以及对方程中的未... 建立了一种基于内嵌物理机理神经网络(PINN)的热传导方程的正问题及逆问题求解方法。该方法利用自动微分技术将一维热传导方程嵌入到深度网络的损失函数中,通过以损失函数最小为目标来优化深度网络,求解一维热传导方程以及对方程中的未知导热系数进行辨识。随后,分析了基于PINN求解正问题的收敛精度以及参数辨识的鲁棒性,并得出以下结论:在给定网络结构的情况下,基于PINN求解一维热传导方程的收敛误差在样本点数较少时主要由采样误差主导,而当样本点数较多时,收敛误差由优化误差主导;由于损失函数中包含了方程相关的正则化项,以及采用了自动微分技术,因此,基于PINN的参数辨识方法噪声标签数据具有较强的鲁棒性。 展开更多

关键词 基于内嵌物理机理神经网络 热传导方程 正问题及逆问题 收敛精度 鲁棒性

在线阅读 下载PDF 职称材料

基于神经网络的偏微分方程求解方法研究综述 被引量：44

14

作者 查文舒 李道伦 +2 位作者 沈路航 张雯 刘旭亮 《力学学报》 EI CAS CSCD 北大核心 2022年第3期543-556,共14页

神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程领域得到广泛应用,引发多领域技术变革.深度学习网络具有非常强的学习能力,不仅能发现物理规律,还能求解偏微分方程.近年来基于深度学习的偏微分方程求解已是研究新热... 神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程领域得到广泛应用,引发多领域技术变革.深度学习网络具有非常强的学习能力,不仅能发现物理规律,还能求解偏微分方程.近年来基于深度学习的偏微分方程求解已是研究新热点.遵循于传统偏微分方程解析解、偏微分方程数值解术语,本文称用神经网络进行偏微分方程求解的方法为偏微分方程智能求解方法或偏微分方程神经网络求解方法.本文首先简要介绍偏微分方程智能求解发展历程,然后从反演未知偏微分方程与求解已知偏微分方程两个角度展开讨论,重点讨论已知偏微分方程的求解方法.根据神经网络中损失函数的构建方式,将偏微分方程求解方法分为3大类:第1类是数据驱动,主要从数据中学习偏微分方程,可以应用于恢复方程、参数反演等;第2类是物理约束,即在数据驱动的基础上,辅以物理约束,在损失函数中加入控制方程等物理规律,减少网络对标签数据的依赖,大幅提高泛化能力与应用价值;第3类物理驱动(纯物理约束),完全不使用标签数据,仅通过物理规律求解偏微分方程,目前仅适用于简单偏微分方程.本文从这3个方面介绍偏微分方程智能求解的研究进展,涉及全连接神经网络、卷积神经网络、循环神经网络等多种网络结构.最后总结偏微分方程智能求解的研究进展,给出相应的应用场景以及未来研究展望. 展开更多

关键词 神经网络 偏微分方程智能求解 数据驱动 物理约束

在线阅读 下载PDF 职称材料

基于物理约束与数据驱动的求解地下水方程深度学习算法

15

作者 李存文 马千禧 +2 位作者 朱焱 张晓平 罗强 《中国农村水利水电》 北大核心 2025年第8期77-83,93,共8页

地下水水位是衡量地下水资源可持续利用的重要指标,也是地下水资源管理的关键依据,因此实现地下水位的精确预测至关重要。针对传统数值模型(如MODFLOW)在构建上复杂、参数众多的问题,以及数据驱动神经网络模型缺乏可解释性和泛化能力的... 地下水水位是衡量地下水资源可持续利用的重要指标,也是地下水资源管理的关键依据,因此实现地下水位的精确预测至关重要。针对传统数值模型(如MODFLOW)在构建上复杂、参数众多的问题,以及数据驱动神经网络模型缺乏可解释性和泛化能力的局限,结合物理知情神经网络(PINNs)与地下水运动方程构建了求解地下水运动方程的GWPINN模型。该模型采用全连接神经网络构建,将时空坐标作为输入,输出为地下水水头,将地下水流动方程、初始条件和边界条件作为物理约束,结合测量数据构建损失函数,实现对地下水流动方程的求解。为验证算法的有效性和准确性,将GWPINN模型应用于承压含水层单抽水井问题,通过与传统数值模型MODFLOW模拟结果对比发现,GWPINN在仅依赖物理约束而不需要任何数据的求解平均绝对误差(MAE)为0.063 m,相对均方根误差(RRMSE)为0.083%;结合物理约束与数据驱动的双重作用下的求解平均绝对误差(MAE)为0.069 m,相对均方根误差(RRMSE)为0.079%,证明该算法可成功对包含井源的地下水方程进行求解。此外,还探讨了数据时空采样频率对求解结果的影响,发现在井源附近需要加密空间采样,采样间隔为100 m,以捕捉地下水水头的剧烈变化;在时间尺度上,抽水初期应增加采样频率,以0.3 d为间隔,以捕捉井口附近水头的快速变化。而在抽水井外区域或抽水1天后,可以适当降低空间和时间采样频率,分别取200 m和5 d的间隔。 展开更多

关键词 地下水运动方程 物理知情神经网络 物理约束 数据驱动

在线阅读 下载PDF 职称材料

基于物理约束深度学习的大跨柔性光伏阵列绕流场重构

16

作者 张春伟 柯世堂 +3 位作者 王伯洋 余玮 梁珂 马文勇 《空气动力学学报》 北大核心 2025年第4期91-102,I0002,共13页

大跨柔性光伏阵列因双向串联结构引发的排间复杂三维绕流效应是导致其发生风致破坏的重要原因之一,传统物理风洞试验难以直接捕捉排间干扰下流场流动全过程的分布特性,而深度学习方法为实现复杂流场的精确重构与预测提供了新思路。为了... 大跨柔性光伏阵列因双向串联结构引发的排间复杂三维绕流效应是导致其发生风致破坏的重要原因之一,传统物理风洞试验难以直接捕捉排间干扰下流场流动全过程的分布特性,而深度学习方法为实现复杂流场的精确重构与预测提供了新思路。为了重构大跨柔性光伏阵列的速度场和压力场,以国电投江苏盐城柔性光伏示范基地40 m跨度五排三跨光伏阵列为研究对象,通过大涡模拟获取大跨柔性光伏阵列脉动风场数据,在此基础上提出了一种损失函数嵌入N-S方程和连续性方程约束的全连接神经网络深度学习方法,建立了数据驱动模型和数据-物理双驱动模型。结果表明:相较于数据驱动模型,数据-物理双驱动模型可以更加精确地捕捉大跨柔性光伏阵列绕流场特征,其中前两排及第四排光伏板后侧、上下缘及尾流区流向速度重构误差分别降低60.2%和36.6%,光伏板上下缘横向速度重构误差降低53.7%,流向速度和横向速度的全场重构误差分别为16.6%和18.5%;当损失函数缺乏压力项时,数据驱动模型无法从训练数据中捕捉压力信息,而数据-物理双驱动模型的N-S方程和连续性方程可引导模型通过速度场信息求解压力场,得到的排间绕流区压力场平均重构误差仅为16.1%。本研究为风荷载作用下复杂结构绕流场智能重构新方法提供了参考。 展开更多

关键词 大跨柔性光伏阵列 大涡模拟 物理约束神经网络 损失函数 流场重构 深度学习

在线阅读 下载PDF 职称材料

融合物理约束的压裂水平井产能智能预测框架构建与应用 被引量：1

17

作者 卢聪 罗扬 +1 位作者 郭建春 曾凡辉 《天然气工业》 EI CAS CSCD 北大核心 2024年第9期99-107,共9页

水平井分段压裂是实现非常规油气藏有效开发的关键技术,准确预测压裂水平井产能对于井位优选和压裂参数优化至关重要。随着历史开发数据的不断积累和人工智能技术的迅速发展,数据驱动的人工智能方法为压裂水平井产能预测提供了新的渠道... 水平井分段压裂是实现非常规油气藏有效开发的关键技术,准确预测压裂水平井产能对于井位优选和压裂参数优化至关重要。随着历史开发数据的不断积累和人工智能技术的迅速发展,数据驱动的人工智能方法为压裂水平井产能预测提供了新的渠道。为此,从压裂水平井生产物理过程出发,分析了产能智能预测的物理约束,提出了与物理过程相匹配的产能智能预测框架,并结合四川盆地南部(以下简称川南)地区页岩气开发生产数据开展了实例验证。研究结果表明:(1)压裂水平井产能智能预测需要以压裂段为单位进行特征融合处理,单井产能是由初始压裂段到末尾压裂段依次累计作用的结果,各压裂段之间存在顺序关系,各单井的因素输入维度存在差异;(2)采用循环神经网络能够完全匹配压裂段之间的顺序关系和汇聚作用,而Mask屏蔽机制则能够解决各单井压裂段数量不统一的矛盾。结论认为:(1)该智能预测模型能够学习各单井输入序列与产能之间的复杂映射关系,训练集相对误差为0.098、测试集相对误差为0.117,较循环神经网络(RNN)模型误差的下降幅度分别为37.6%和37.0%,较多层感知机(MLP)模型误差的下降幅度分别为77.3%和77.4%,展现出优异的预测性能;(2)该研究成果能够为非常规油气藏压裂水平井产能预测的技术进步和快速发展提供新的思路与借鉴。 展开更多

关键词 四川盆地南部 页岩气 水平井 分段压裂 特征融合 产能预测 人工智能 循环神经网络 物理约束

在线阅读 下载PDF 职称材料

基于神经网络的液压打桩锤代理模型生成技术研究

18

作者 刘亚俊 陈文 +4 位作者 曾俊峰 庞国达 庞炬东 魏智健 陆扬 《机床与液压》 2025年第21期193-199,共7页

不同液压桩锤控制参数下,桩锤液压效率存在巨大差异。针对液压打桩锤作业过程进行施工过程控制参数的优化,对提升桩机能源利用率具有重要意义。然而机载设备算力受限,为了在算力约束条件下快速且低成本获取施工控制参数与液压效率仿真结... 不同液压桩锤控制参数下,桩锤液压效率存在巨大差异。针对液压打桩锤作业过程进行施工过程控制参数的优化,对提升桩机能源利用率具有重要意义。然而机载设备算力受限,为了在算力约束条件下快速且低成本获取施工控制参数与液压效率仿真结果,利用液压打桩施工过程的历史数据对预测结果进行校正,提出一种基于神经网络的代理模型——PISMN。对液压打桩锤能量转换效率进行研究,确定其施工过程控制参数为液压系统输入功率、提锤等待时间、提锤高度。建立液压桩锤数字模型,使用神经网络拟合仿真软件计算结果,可大幅降低预测过程的计算成本。基于现有物理知识内嵌神经网络理论,提出使用不等式构建物理知识内嵌神经网络,并基于该方法构建面向液压打桩锤仿真过程的PISMN代理模型。经验证,该方法可对代理模型的输出进行约束,提高训练过程的稳定性,与其他算法相比,预测偏差中位数和均值精度提升超过54.4%,表明可用该代理模型计算结果近似仿真模型的输出结果。该研究为降低液压桩锤能量损耗、提高液压桩锤自动化作业水平,并推进无人化液压打桩锤相关研究提供一种解决方案。 展开更多

关键词 液压打桩锤 代理模型 物理知识内嵌神经网络

在线阅读 下载PDF 职称材料

基于物理信息机器学习的酶促反应系统参数估计

19

作者 刘承杰 俞辉 +1 位作者 陈宇 戴厚德 《化学工程》 CAS CSCD 北大核心 2024年第7期77-81,94,共6页

为揭示物理信息神经网络在生化领域中的潜力,研究一种基于现代物理信息机器学习工具的新参数估计方法,并通过酶促反应过程模型的案例研究进行了演示,比较软、硬边界约束设置对计算结果的影响。实验分析表明,利用软、硬2种不同约束的物... 为揭示物理信息神经网络在生化领域中的潜力,研究一种基于现代物理信息机器学习工具的新参数估计方法,并通过酶促反应过程模型的案例研究进行了演示,比较软、硬边界约束设置对计算结果的影响。实验分析表明,利用软、硬2种不同约束的物理信息神经网络均能获得精确的模型参数估计值,并在所有的可观测变量上的拟合优度R^(2)在0.98以上,所得到的系统模型能够较好地反映系统的动态过程。所提出的方法融合了模型驱动与数据驱动方法的优势,并且能够在基于采样40次的含噪声小型数据集上获得稳健的训练结果,显著降低对数据量的要求。 展开更多

关键词 物理信息嵌入 酶促反应 神经网络 参数估计 硬约束

在线阅读 下载PDF 职称材料

数据与物理信息混合驱动的固定床吸附穿透深度学习模型 被引量：1

20

作者 吴选军 王超 +1 位作者 曹子健 蔡卫权 《化工学报》 EI CSCD 北大核心 2023年第3期1145-1160,共16页

提出一种基于数据与物理信息混合驱动的固定床吸附穿透深度学习模型(PINN_MOD),采用基于残差自适应网格加密策略联合惩罚因子增强外部数据约束方法,通过最小化损失函数逐步调整神经网络参数逼近固定床双组分气体动态吸附过程偏微分方程(... 提出一种基于数据与物理信息混合驱动的固定床吸附穿透深度学习模型(PINN_MOD),采用基于残差自适应网格加密策略联合惩罚因子增强外部数据约束方法,通过最小化损失函数逐步调整神经网络参数逼近固定床双组分气体动态吸附过程偏微分方程(PDE)的解。嵌入物理信息神经网络(PINN)模型可以高保真地求解一维单组分对流-扩散模型和一维单组分固定床吸附模型PDE的正向解和逆向解,但在求解长时间尺度一维双组分固定床吸附模型PDE时存在收敛困难。利用传统有限差分方法(FDM)首先计算一维双组分固定床吸附穿透PDE问题,然后将FDM模拟获得的时空区域内组分浓度数据作为外部约束,联合PINN模型一起求解一维双组分固定床吸附穿透PDE。以填充CALF-20和UTSA-16两种MOF材料的固定床吸附CO_(2)/N_(2)(摩尔比30∶70)混合物为例,采用PINN_MOD模型计算出组分CO_(2)固定床出口穿透曲线,能够较好地复制FDM计算结果,证实了该模型仅依赖于少量外部数据就能有效地获得PDE高保真解。PINN_MOD模型有望在开发面向气体分离应用的新型金属有机骨架(MOF)材料吸附剂方面发挥重要作用。 展开更多

关键词 内嵌物理信息神经网络 有限差分方法 固定床吸附 穿透曲线 对流-扩散模型 偏微分方程

在线阅读 下载PDF 职称材料