期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到120篇文章
< 1 2 … 6 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
物理信息神经网络在水文地质与工程地质中的应用研究综述
1
作者 朱琳 钱陈之皓 +3 位作者 宫辉力 郭涛 李帅 叶淼 《水利水电技术(中英文)》 北大核心 2025年第7期13-25,共13页
【目的】在水文地质与工程地质研究中,传统机理数值模型在模拟复杂物理过程时存在建模精度低、不确定性等问题,机器学习模型则存在数据需求量大和可解释性差的不足。物理信息神经网络(Physics-Informed Neural Networks,PINNs)作为一种... 【目的】在水文地质与工程地质研究中,传统机理数值模型在模拟复杂物理过程时存在建模精度低、不确定性等问题,机器学习模型则存在数据需求量大和可解释性差的不足。物理信息神经网络(Physics-Informed Neural Networks,PINNs)作为一种结合物理定律和机器学习的新方法,能够为解决上述问题提供可行的方案。【方法】首先,通过整理近四年文献,系统梳理机理数值模型、机器学习模型以及机理-学习耦合模型在水文地质与工程地质领域的研究现状;其次,深入分析PINNs在该领域的最新应用;最后,阐述了PINNs在水文地质与工程地质领域发展中存在的问题,并对其今后的发展给出相关建议。【结果】研究发现,在水文地质与工程地质领域,PINNs部分解决了数值模型和机器学习模型中存在的数据稀缺、可解释性差和泛化性不足的问题,拥有广阔的应用前景。今后需要进一步解决其在鲁棒性、自适应权重分配和初边界条件处理方面的问题,深入挖掘其潜力。【结论】在未来研究中,建议耦合生成式模型或强化学习等模型,减少因数据质量和噪声对模型的影响,提高PINNs的鲁棒性;使用自适应学习算法和动态权重平衡机制,平衡损失函数各项权重,使PINNs模型输出矩阵满足正交条件,提高PINNs模型的计算效率;综合实际情况,选择优化激活函数、约束方式等,使PINNs模型收敛速度更快,结果更为精准。 展开更多
关键词 物理信息神经网络 数值模型 机器学习 耦合模型 地下水 水文地质 数值模拟 工程地质
在线阅读 下载PDF
基于物理信息神经网络的颅内动脉瘤血流动力学模拟
2
作者 张雯 石添鑫 +3 位作者 陈师尧 程云章 吕楠 张明伟 《医用生物力学》 北大核心 2025年第3期741-748,共8页
目的 使用基于物理信息神经网络(physics-informed neural network,PINN)的模型预测颅内动脉瘤血流动力学,解决传统计算流体动力学(computational fluid dynamics,CFD)仿真耗时长、计算成本高的问题。方法 仅使用临床患者CFD数据中的计... 目的 使用基于物理信息神经网络(physics-informed neural network,PINN)的模型预测颅内动脉瘤血流动力学,解决传统计算流体动力学(computational fluid dynamics,CFD)仿真耗时长、计算成本高的问题。方法 仅使用临床患者CFD数据中的计算域坐标和稀疏速度测量点训练PINN模型,并比较PINN模型预测的血流速度、压力和壁面剪切应力(wall shear stress,WSS)与CFD仿真结果的差异。结果 利用该方法在4个不同患者数据上进行测试与验证,模型在速度预测中的平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)、均方误差(mean squared error,MSE)分别为4.60%、6.61%、0.229%。对于WSS预测,平均MAE、MRE、MSE分别为5.54%、8.58%、0.510%。PINN模型在不同动脉瘤模型上有较好的泛化性,且能将血流动力学的计算时间从数小时压缩至数秒。结论 PINN模型能够在边界条件未知且测量数据稀疏的情况下,通过物理约束有效地补偿不完整的测量信息,快速并准确模拟颅内动脉瘤的血流动力学情况。本文建立的方法有望在颅内动脉瘤临床风险预测中提供有效的辅助支持。 展开更多
关键词 物理信息神经网络 计算流体动力学 颅内动脉瘤 血流动力学
在线阅读 下载PDF
基于傅里叶特征化物理信息神经网络的输流管道振动特性模拟
3
作者 张挺 鄢锐 +2 位作者 章思茜 杨丁颖 陈安浩 《土木工程学报》 北大核心 2025年第9期86-95,共10页
针对具有高低频叠加的时空多尺度输流管道振动动态响应问题,文章提出一种基于傅里叶特征嵌入的物理信息神经网络(FF-PINN)。引入傅里叶特征映射对时间和空间尺度信息进行分解,并通过超参数σ控制神经网络学习的频率范围,从而准确学习输... 针对具有高低频叠加的时空多尺度输流管道振动动态响应问题,文章提出一种基于傅里叶特征嵌入的物理信息神经网络(FF-PINN)。引入傅里叶特征映射对时间和空间尺度信息进行分解,并通过超参数σ控制神经网络学习的频率范围,从而准确学习输流管道振动动态响应在宏观时间尺度上的相对低频以及微观尺度上的相对高频,以克服PINN在学习高频信息时出现的频谱偏差。使用FF-PINN对两端简支输流管道振动特性进行模拟,所得结果与广义有限差分法(GFDM)参考解的相对L_(2)误差为1.15×10^(-2)。此外文章分析了超参数σ的选取对FF-PINN的影响,得到超参数与特征向量频率的对应关系,结果表明,通过选择合适的超参数可使FF-PINN更好学习特定频率的振动,从而有效学习输流管道振动动态响应,为解决具有高低频叠加的时空多尺度结构振动模拟提供一种有效的解决方案。 展开更多
关键词 物理信息神经网络 输流管道 傅里叶特征化 时空多尺度 振动特性
在线阅读 下载PDF
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：1
4
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
基于物理信息神经网络的金属多轴疲劳寿命预测进展 被引量：2
5
作者 张颛利 孙兴悦 陈旭 《机械强度》 北大核心 2025年第2期44-52,共9页
材料的多轴疲劳寿命预测研究是保证部件结构完整性的关键要素之一。近年来机器学习尤其是神经网络在疲劳寿命预测领域得到了广泛应用。然而,疲劳数据的不足阻碍了神经网络在疲劳预测中的进一步应用。为了解决这一问题,考虑疲劳先验物理... 材料的多轴疲劳寿命预测研究是保证部件结构完整性的关键要素之一。近年来机器学习尤其是神经网络在疲劳寿命预测领域得到了广泛应用。然而,疲劳数据的不足阻碍了神经网络在疲劳预测中的进一步应用。为了解决这一问题,考虑疲劳先验物理知识的物理信息神经网络逐渐受到关注。首先,概述了机器学习算法的分类及神经网络模型在多轴疲劳寿命预测中的应用。随后,重点对基于物理信息神经网络的材料疲劳寿命预测研究进行了深入探讨。最后,从基于物理信息的输入特征、基于物理信息的损失函数构建和基于物理信息的网络框架开发等3个方面对物理信息神经网络模型的发展进行介绍。相关研究表明,在材料多轴疲劳寿命预测过程中,物理信息神经网络可以表现出更好的物理一致性和预测性能。 展开更多
关键词 物理信息神经网络 多轴疲劳 寿命预测 机器学习
在线阅读 下载PDF
基于物理信息神经网络的长距离顶管施工顶力预测 被引量：1
6
作者 李博 刘宇翔 +2 位作者 陈建国 杨耀红 张哲 《人民长江》 北大核心 2025年第1期147-155,共9页
长距离顶管施工过程中,准确预测顶力是有效控制施工安全质量及进度的关键问题。基于知识数据融合的机器学习建模方法,将顶力计算物理模型与多层感知机相融合,构建了物理-数据双驱动的物理信息神经网络模型(PINN),用物理机制约束神经网... 长距离顶管施工过程中,准确预测顶力是有效控制施工安全质量及进度的关键问题。基于知识数据融合的机器学习建模方法,将顶力计算物理模型与多层感知机相融合,构建了物理-数据双驱动的物理信息神经网络模型(PINN),用物理机制约束神经网络的训练机制,并引入改进的麻雀搜索算法(ISSA)对模型超参数取值进行优化,建立了ISSA-PINN顶管施工顶力预测模型;以河南省郑开同城东部供水工程顶管施工为例,选取524组工程实测数据验证了模型的有效性。计算结果表明:ISSA-PINN模型具有较高的预测精度,相较于单纯数据驱动模型,在测试集和新数据集中的预测性能分别提升了0.07和0.17,说明物理模型的融入对降低机器模型的过拟合风险和提高泛化能力有积极影响;相比于SSA和粒子群算法,ISSA算法寻优速度更快、适应度更好。研究结果可为顶管工程施工顶力控制提供参考。 展开更多
关键词 顶管施工 顶力预测 物理信息神经网络(pinn) 改进麻雀搜索算法(ISSA)
在线阅读 下载PDF
基于物理信息神经网络求解燃烧问题
7
作者 刘诗雨 王海鸥 +1 位作者 罗坤 樊建人 《燃烧科学与技术》 北大核心 2025年第3期245-254,共10页
提出基于物理信息神经网络(physics-informed neural networks,PINNs)框架求解燃烧问题.考虑三类不同燃烧问题来评估模型性能:零维绝热恒压反应器、一维层流预混自由传播火焰和二维层流非预混三叉火焰.结果表明,在零维和一维问题中,PINN... 提出基于物理信息神经网络(physics-informed neural networks,PINNs)框架求解燃烧问题.考虑三类不同燃烧问题来评估模型性能:零维绝热恒压反应器、一维层流预混自由传播火焰和二维层流非预混三叉火焰.结果表明,在零维和一维问题中,PINNs可以实现不同燃烧工况模拟,准确预测着火延迟时间或层流火焰速度.在二维问题中,PINNs能够较好预测速度,组分质量分数、温度等变量分布、准确捕捉火焰结构.本文工作发掘了PINNs应用于实际燃烧问题的潜力,为结合物理信息约束的燃烧模型开发提供了新的思路和方法. 展开更多
关键词 基于物理信息神经网络 多类燃烧场景 燃烧
在线阅读 下载PDF
基于物理信息神经网络的航空发动机叶片高周疲劳剩余寿命预测方法
8
作者 张羽 刘佩 +3 位作者 刘庆成 韩可欣 王维民 高金吉 《振动工程学报》 北大核心 2025年第6期1190-1198,共9页
叶片作为航空发动机核心部件,其结构完整性直接决定发动机的性能与飞行安全。在高温、高压及高速旋转等极端工况下,叶片易在复杂应力场作用下产生微裂纹,一旦裂纹扩展、叶片发生断裂,将引发连锁破坏,构成重大安全隐患。基于损伤容限理念... 叶片作为航空发动机核心部件,其结构完整性直接决定发动机的性能与飞行安全。在高温、高压及高速旋转等极端工况下,叶片易在复杂应力场作用下产生微裂纹,一旦裂纹扩展、叶片发生断裂,将引发连锁破坏,构成重大安全隐患。基于损伤容限理念,叶片在出现裂纹后仍能维持安全运行的临界时长被界定为剩余寿命(remaining useful life,RUL)。为此,本文提出一种基于Paris裂纹扩展定律与物理信息神经网络(physics-informed neural network,PINN)融合的机理-数据双驱动的剩余寿命预测方法。该方法通过构建包含物理约束的损失函数,对神经网络梯度进行正则化约束,在实现裂纹扩展参数逆向辨识的同时,有效提升了模型在有限监测数据条件下的预测准确性。针对航发叶片与CT试样,相较于传统物理模型与数据驱动方法,本文方法动态更新特征参数以适应系统的变化,在有限样本条件下的预测误差显著降低。此外,本文所构建的PINN模型具有轻量化特性与快速推理能力,可以满足在线监测与预测性维护的需求,为航空发动机健康管理和智能运维提供了一种技术路径。 展开更多
关键词 剩余寿命 疲劳寿命预测 疲劳裂纹扩展 物理信息神经网络 航空发动机叶片
在线阅读 下载PDF
基于物理信息神经网络的多介质非线性瞬态热传导问题研究
9
作者 陈豪龙 唐欣越 +2 位作者 王润华 周焕林 柳占立 《力学学报》 北大核心 2025年第1期89-102,共14页
文章基于物理信息神经网络(physics-informed neural network,PINN)求解多介质非线性瞬态热传导问题.根据多介质热物性参数的不同,将求解区域划分成多个子域,在每个子域中单独应用PINN,不同子域通过公共界面的通量连续性条件相联系.利... 文章基于物理信息神经网络(physics-informed neural network,PINN)求解多介质非线性瞬态热传导问题.根据多介质热物性参数的不同,将求解区域划分成多个子域,在每个子域中单独应用PINN,不同子域通过公共界面的通量连续性条件相联系.利用偏微分方程、初始条件、边界条件和子域间公共界面连续性条件的残差构建损失函数.通过自动微分算法计算偏微分方程中温度对各输入变量的偏导数.利用链式求导法计算损失函数对权重和偏差的梯度,再根据梯度下降法更新网络参数.为了加速网络收敛,在激活函数中引入训练参数,通过调节激活函数斜率,使网络具有自适应性.文章探讨了PINN在求解多介质非线性瞬态热传导问题中的适用性,并进一步讨论了不同激活函数、学习率、网络结构和损失函数中的各项权重等对PINN计算结果的影响.计算结果表明,PINN在求解多介质非线性瞬态热传导问题时仍具有较高的可靠性和较简洁的求解流程,且不需要对求解域进行人为的前处理,有一定工程应用可行性.文章通过系统的理论分析和数值验证,充分展示了PINN解决复杂热传导问题的可靠性. 展开更多
关键词 物理信息神经网络 非线性瞬态热传导问题 多介质 自适应激活函数
在线阅读 下载PDF
基于低阶导数物理信息神经网络的流动和传热反演问题研究
10
作者 张贤 胡春 +2 位作者 崔永赫 王秋旺 赵存陆 《空气动力学学报》 北大核心 2025年第1期34-43,I0001,共11页
求解空气动力学领域中流动和传热反演问题对于飞行器设计和飞行环境控制至关重要。然而,传统数值方法在处理这类问题时,往往面临计算复杂性和数据依赖性的挑战。为解决此问题,基于物理信息神经网络(PINN),本文构建了低阶导数物理信息神... 求解空气动力学领域中流动和传热反演问题对于飞行器设计和飞行环境控制至关重要。然而,传统数值方法在处理这类问题时,往往面临计算复杂性和数据依赖性的挑战。为解决此问题,基于物理信息神经网络(PINN),本文构建了低阶导数物理信息神经网络(LPINN),其特点在于仅需有限的实验测量数据,即可有效地解决流动和传热的反演问题。为验证LPINN在反演问题上的应用效果,选择了两种典型的二维流动及传热案例(泊肃叶流动和顶盖驱动方腔流动)进行研究。结果表明,在缺乏明确边界条件的前提下,LPINN能利用稀疏的实验数据,准确预测整个计算区域内的流场和温度场,并能够较为精确地确定控制方程中的雷诺数和佩克莱数。对随机取点、均匀取点和基于先验知识取点3种不同的实验观测点选取方案进行了对比分析,发现基于先验知识取点方案在保证高反演精度的同时,其所需的实验观测点数量最少,这对提高反演问题的求解效率具有积极意义。此外,LPINN在处理反演问题时展现出对实验数据中噪声的高度鲁棒性。 展开更多
关键词 低阶导数 物理信息神经网络 流动与传热 反演问题
在线阅读 下载PDF
基于时间权重的物理信息神经网络求解非稳态偏微分方程
11
作者 韦昌 樊昱晨 +3 位作者 周永清 刘欣 李驰 王赫阳 《力学学报》 北大核心 2025年第3期755-766,共12页
物理信息神经网络(physics-informed neural networks,PINN)是一种将深度学习技术与物理模型相结合的计算方法,目前已经成为智能科学计算领域的研究热点.然而,传统的PINN在求解非稳态偏微分方程时,常因忽视动态系统的时间因果关系而出... 物理信息神经网络(physics-informed neural networks,PINN)是一种将深度学习技术与物理模型相结合的计算方法,目前已经成为智能科学计算领域的研究热点.然而,传统的PINN在求解非稳态偏微分方程时,常因忽视动态系统的时间因果关系而出现训练效率低下和预测精度不足等问题.为了解决这些局限性,文章提出了一种基于时间权重的物理信息神经网络(time-weighted physics-informed neural network,TWPINN).该模型通过引入可体现系统动态变化特征的时间权重函数,对损失函数进行了优化,以增强神经网络的时间因果关系.由于初始条件对于准确预测系统的动态行为具有决定性的作用,因此在TWPINN中,权重值会随着时间的推移而呈现单调递减的趋势,以确保模型对早期时间点采样数据赋予更高的重视.此外,TWPINN在训练过程中采用了一种动态权重调整策略,随着迭代次数的增加,模型会逐步调整对后续时间采样点的权重分配.这种策略使模型不仅能够捕捉到系统的初始状态和短期变化,而且显著提高了对长期演变趋势的预测准确性.为了验证TWPINN的性能,文章选取一维非稳态对流方程和一维非稳态反应扩散方程作为测试案例.结果表明,TWPINN在求解这两种方程时均能提供与基准解高度一致的预测结果,并且可以将预测误差控制在较低水平. 展开更多
关键词 物理信息神经网络 时间权重函数 对流方程 反应扩散方程
在线阅读 下载PDF
基于物理信息神经网络的地震波阻抗反演方法综述
12
作者 宋操 陆文凯 +5 位作者 耿伟恒 段旭东 王钰清 王琦 马绮铭 李尹硕 《石油物探》 北大核心 2025年第4期595-621,共27页
地震波阻抗反演是地震勘探领域的重要研究方向之一,其目标是利用地震数据定量预测地下介质的波阻抗。近年来,随着人工智能技术的快速发展,国内外学者提出了多种基于深度学习的地震波阻抗反演方法。这些方法将物理定律、经验公式及专家... 地震波阻抗反演是地震勘探领域的重要研究方向之一,其目标是利用地震数据定量预测地下介质的波阻抗。近年来,随着人工智能技术的快速发展,国内外学者提出了多种基于深度学习的地震波阻抗反演方法。这些方法将物理定律、经验公式及专家先验知识等地球物理信息融入深度网络,从不同角度降低反演问题的多解性,并增强其物理可解释性。对这些方法进行了研究和总结,从3个角度引入地球物理信息,分别为:①设计嵌入地球物理知识的网络结构;②施加数据约束;③构建多目标损失函数。其中,嵌入地球物理知识的网络结构包括:正演物理模型模块、反射系数反演模型模块、地震数据的时空特征表征模块和人工合成与实际数据的域适应模块。数据约束包括:通过人工合成多样化的样本训练深度网络和量化先验知识输入网络。多目标损失函数中引入基于地球物理信息的正则化项,包括:闭环损失、生成对抗损失、动态时间规整损失、空间构造损失和不确定性损失。上述3种策略可以从不同角度降低反演的多解性,提升反演的可靠性。最后,对基于深度学习的地震波阻抗反演方法做出展望:①利用多模态大模型的强大理解能力和知识推理能力,采用多模态数据提升反演模型的泛化性;②利用多模型拟合并结合物理信息神经网络,将反演建模的“一对多”问题转化为每个地震相分割单元内的“一对一”问题,降低地震波阻抗反演问题的多解性。 展开更多
关键词 地震反演 多解性 深度学习 物理信息神经网络 多目标损失函数
在线阅读 下载PDF
基于自适应损失均衡梯度增强的物理信息神经网络微地震定位
13
作者 潘登 唐杰 +2 位作者 范忠豪 产嘉怡 彭婧妍 《石油地球物理勘探》 北大核心 2025年第3期618-630,共13页
微地震定位是微地震监测任务中的主要挑战,有助于分析水力压裂的效果。物理信息神经网络(PINN)可实现微地震定位,但PINN中多损失项的权衡对网络的训练起着重要作用。为此,文中提出了一种基于自适应损失均衡梯度增强的物理信息神经网络... 微地震定位是微地震监测任务中的主要挑战,有助于分析水力压裂的效果。物理信息神经网络(PINN)可实现微地震定位,但PINN中多损失项的权衡对网络的训练起着重要作用。为此,文中提出了一种基于自适应损失均衡梯度增强的物理信息神经网络的微地震定位方法。首先结合相对到时与程函方程的残差来形成组合损失函数;其次通过自适应项自动更新损失权重,同时加入梯度信息来增强网络;最后利用网络训练获得整个计算域的旅行时分布,并通过最小旅行时预测出震源位置。测试结果表明,该方法能够提高网络的训练稳定性和预测精度并获得较好的微地震定位效果。 展开更多
关键词 微地震 物理信息神经网络 相对到时 程函方程 自适应损失均衡梯度增强
在线阅读 下载PDF
基于物理信息神经网络的水库调度研究
14
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
物理信息神经网络对圆管内层流流动和换热的数值模拟验证与求解效率研究
15
作者 姚嘉晔 陈鹏飞 +1 位作者 洪钢 张尧立 《厦门大学学报(自然科学版)》 北大核心 2025年第1期156-168,共13页
[目的]提出了一种将在标准条件下训练的权重和偏置信息加载到模型中的方法,以提升相邻条件下物理信息神经网络(physics-informed neural network,PINN)数值模拟效率.[方法]以二维圆管为对象,流动状态为稳态流动,控制方程为受重力影响的N... [目的]提出了一种将在标准条件下训练的权重和偏置信息加载到模型中的方法,以提升相邻条件下物理信息神经网络(physics-informed neural network,PINN)数值模拟效率.[方法]以二维圆管为对象,流动状态为稳态流动,控制方程为受重力影响的Navier-Stokes方程组,利用解析解对PINN模拟精度进行验证并对超参数进行敏感性分析,进而对圆管内层流流动换热过程进行数值模拟,并利用权重与偏置信息对邻近工况进行预测.[结果]PINN数值模拟具有可行性和准确性,与传统软件Fluent计算结果的相对误差约±5%.载入已有工况权重和偏置信息可以显著提高PINN数值模拟的效率,速度场与温度场同Fluent计算结果的相对误差均小于±5%.[结论]利用PINN可以对流体层流流动换热进行数值模拟,同时可以利用预训练的权重和偏置信息提高数值模拟效率. 展开更多
关键词 物理信息神经网络 对流换热 数值模拟
在线阅读 下载PDF
基于物理信息神经网络的实时混合试验方法
16
作者 龚建勋 杨格 沈晗瑞 《地震工程与工程振动》 北大核心 2025年第3期158-167,共10页
实时混合试验是一种对含速度相关型构件的结构开展抗震性能研究的重要试验方法。然而,目前的实时混合试验面临着数值子结构计算效率难以满足实时性的挑战,限制了该方法在大型工程结构抗震试验中的应用。为了提高数值子结构的计算效率,... 实时混合试验是一种对含速度相关型构件的结构开展抗震性能研究的重要试验方法。然而,目前的实时混合试验面临着数值子结构计算效率难以满足实时性的挑战,限制了该方法在大型工程结构抗震试验中的应用。为了提高数值子结构的计算效率,提出了适用于实时混合试验的物理信息神经网络,实现了神经网络代理模型实时混合试验方法。首先,基于不同物理约束方程构建了神经网络模型;然后,通过有限元软件对2层含阻尼器框架结构进行了地震响应数值模拟,并利用这些模拟数据训练网络模型;最后,利用训练得到的物理信息神经网络开展了实时混合试验仿真。仿真结果表明,物理信息神经网络具备较高的预测精度,其中以恢复力作为损失函数的物理信息神经网络精度最高,基于物理信息神经网络代理模型的实时混合试验方法具备可行性。 展开更多
关键词 实时混合试验 物理信息神经网络 损失函数 代理模型 子结构
在线阅读 下载PDF
基于域适应物理信息神经网络的时间序列预测方法
17
作者 曹力丰 阎高伟 +2 位作者 肖舒怡 董珍柱 董平 《自动化学报》 北大核心 2025年第6期1329-1346,共18页
基于机器学习的预测方法通常能够实现较高的拟合精度,但模型可解释性和泛化性能较差.在工业过程中,由于概念漂移现象的存在,这些方法的稳定性受到影响,使得在复杂工业环境中精确建模成为一项既困难又具挑战性的任务.为此,提出一种基于... 基于机器学习的预测方法通常能够实现较高的拟合精度,但模型可解释性和泛化性能较差.在工业过程中,由于概念漂移现象的存在,这些方法的稳定性受到影响,使得在复杂工业环境中精确建模成为一项既困难又具挑战性的任务.为此,提出一种基于线性动力算子的域适应物理信息神经网络方法.首先通过历史工况数据建立线性动力算子神经网络模型,捕获多变量时间序列数据的动态特性.然后通过前向欧拉法对机理模型进行离散化,构造物理信息正则化项,促使模型服从机理约束.最后通过最大均值差异对历史工况和当前工况下隐藏层状态变量进行分布对齐,构建域适应损失,降低变工况下数据分布变化对模型的影响.在多个数据集上的实验表明,该方法可以有效提高模型预测精度和泛化性能. 展开更多
关键词 物理信息机器学习 概念漂移 域适应 线性动力算子神经网络
在线阅读 下载PDF
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
18
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
基于多域物理信息神经网络的复合地层隧道掘进地表沉降预测 被引量：12
19
作者 潘秋景 吴洪涛 +1 位作者 张子龙 宋克志 《岩土力学》 EI CAS CSCD 北大核心 2024年第2期539-551,共13页
复合地层中盾构掘进诱发地表沉降的准确预测是隧道工程安全建设与施工决策的关键问题。基于隧道施工诱发地层变形机制构建隧道收敛变形与掘进位置的联系,并将其耦合至深度神经网络(deep neural network,简称DNN)框架,建立了预测盾构掘... 复合地层中盾构掘进诱发地表沉降的准确预测是隧道工程安全建设与施工决策的关键问题。基于隧道施工诱发地层变形机制构建隧道收敛变形与掘进位置的联系,并将其耦合至深度神经网络(deep neural network,简称DNN)框架,建立了预测盾构掘进诱发地层变形的物理信息神经网络(physics-informed neural network,简称PINN)模型。针对隧道上覆多个地层的地质特征,提出了多域物理信息神经网络(multi-physics-informed neural network,简称MPINN)模型,实现了在统一的框架内对不同地层的物理信息分区域表达。结果表明:MPINN模型高度还原了有限差分法的计算结果,可以准确预测复合地层中隧道开挖诱发的地表沉降;由于融入了物理机制,MPINN模型对隧道施工诱发地表沉降的问题具有普适性,可应用于不同地质和几何条件下隧道诱发地表沉降的预测;基于工程实测数据,提出的MPINN模型准确预测了监测断面的地表沉降曲线,可为复合地层下盾构掘进过程中地表沉降的预测预警提供参考。 展开更多
关键词 物理信息神经网络(pinn) 盾构隧道 地表沉降 机器学习 数据物理驱动
在线阅读 下载PDF
基于孔压静力触探试验测试数据的原位固结系数物理信息神经网络反演方法 被引量：4
20
作者 李林 左林龙 +1 位作者 胡涛涛 宋博恺 《岩土力学》 EI CAS CSCD 北大核心 2024年第10期2889-2899,共11页
固结系数是软基沉降计算和稳定性分析的关键参数,现有固结系数原位测试方法存在耗时长且精度低的缺点。根据孔压静力触探试验(piezoconepenetrationtest,简称CPTU)贯入机制与锥肩超孔隙水压力消散模式,采用圆孔扩张理论和轴对称固结方... 固结系数是软基沉降计算和稳定性分析的关键参数,现有固结系数原位测试方法存在耗时长且精度低的缺点。根据孔压静力触探试验(piezoconepenetrationtest,简称CPTU)贯入机制与锥肩超孔隙水压力消散模式,采用圆孔扩张理论和轴对称固结方程描述CPTU锥肩超孔隙水压力的形成、发展和消散过程,利用神经网络自动微分功能将轴对称固结方程嵌入深度神经网络,通过物理方程损失函数、边界条件损失函数和初始条件损失函数形成神经网络的物理信息约束,同时将CPTU孔压测试数据作为数据驱动项,以最小化超孔隙水压力损失函数为优化目标,建立了CPTU孔压测试数据反演场地原位固结系数的物理信息神经网络(physics-informed neural networks,简称PINNs)模型。通过已有离心模型试验数据反演验证了PINNs模型反演场地原位固结系数的有效性,并利用CPTU孔压测试数据分析了PINNs模型反演原位固结系数的鲁棒性。结果表明:提出的PINNs模型能够有效利用CPTU孔压测试数据快速准确地反演场地原位固结系数;由于模型融入了物理机制约束,所需训练数据量少,且对有噪声的孔压测试数据具有较强的鲁棒性和泛化性能,为准确、快速可靠测试场地原位固结系数提供了有效途径。 展开更多
关键词 原位固结系数 静力触探 孔压测试数据 固结方程 物理信息神经网络 参数反演
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 6 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部