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

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。

参数化物理内嵌神经网络求解稳态单能中子扩散解集

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。

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

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。

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

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。

基于内嵌物理信息神经网络求解空间分数阶扩散方程

利用内嵌物理信息神经网络方法(PINN)求解一类具有分数拉普拉斯算子的空间分数阶扩散方程,获得分数阶偏微分方程的数值解。首先将分数阶导数项采用有限差分离散算子后嵌入PINN进行求解,并借助自动微分技术进行求导;然后建立了训练误差函数,并给出方程初边值问题的相关算法,分析了神经网络的学习速率和数值误差;其次,给出数值例子,验证了用该方法求解空间分数阶扩散方程的有效性。

有一定物理基础的核素浓度预测神经网络模型

为解决突发核电事故后使用机理模型预测放射性液态流出物迁移扩散,需长时间迭代计算的不足,提出了一种新型混合神经网络模型,该模型耦合了描述液态流出物在受纳水体中迁移扩散的组分输运方程和神经网络模型,采用并行多种群混合进化粒子群算法计算神经网络权值与阈值.论文以湖北咸宁大畈核电站受纳水体富水水库为研究对象,对事故工况下长半衰期核素迁移扩散进行模拟预测,研究结果表明有一定物理基础的神经网络模型是一种有效、可行的预测模型,预测结果与机理模型的模拟输出拟合度较好,新模型较传统的黑箱神经网络模型以及基于单调型先验知识的神经网络模型具有更强的泛化性能改善能力.

基于物理约束GRU神经网络的河流水质预测模型

河流水质预测对于水环境管理与水污染防治具有重要意义。近年来,以神经网络为代表的非机理性水质预测模型已被广泛应用于河流水质预测领域。然而,此类模型不考虑水质因子变化的物理机理,导致预测结果难以解释、稳定性差。为此,本文将水质因子变化的物理规律视为一种先验知识约束,建模于门控循环单元神经网络(Gated Recurrent Unit,GRU)之中,以河流水质预测的重要参数溶解氧为例,提出了一种物理约束的门控循环单元网络(Physics-constrained Gated Recurrent Unit,PHY_GRU)。以美国亚特兰大市2021年河流溶解氧预测为例进行实例验证,结果表明:(1)PHY_GRU与差分自回归移动平均模型、多层感知机和门控循环单元模型相比,预测精度和稳定性明显提升,其中预测均方根误差分别降低了94.8%,62.9%和37.2%;(2)综合考虑多种物理规律约束可以提升PHY_GRU的预测精度和稳定性;(3)PHY_GRU采用门控循环单元模型训练样本的30%,其预测精度和稳定性即可超过门控循环单元模型。本文提供了一种在神经网络模型中融入水质先验知识的研究思路,有助于提升水质预测模型辅助决策的水平。

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

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。

深度学习在边界层流动稳定性分析中的应用

基于线性稳定性理论(linear stability theory,LST)的e^(N)方法是边界层转捩预测中比较可靠的方法之一。为了将传统LST特征值问题的求解过程大幅度简化和自动化,使用卷积神经网络(convolutional neural network,CNN)在边界层相似性解的LST分析样本集上进行训练,针对流向和横流不稳定性,分别在自然层流翼型和无限展长后掠翼上预测扰动的当地增长率、N因子和转捩位置,结果与标准LST一致性良好;验证了CNN可以将边界层剖面速度型导数信息编码为满足伽利略不变性的标量特征,在翼型边界层中起到了表征压力梯度的作用,在后掠翼边界层中起到了表征横流强度的作用;在CNN对LST特征值预测的基础上,以LST控制方程、边界条件和平凡解惩罚项构造总损失函数来训练内嵌物理信息神经网络(physics-informed neural network,PINN),实现了在不依赖样本的情况下对LST特征函数的准确预测,结果表明PINN可以为LST的特征函数问题提供有效的建模方法。

基于PINN的复合材料自动铺放轨迹整体规划

自动纤维铺放能有效地提高复材构件的制造效率和质量。为满足复材构件的力学性能要求及铺放质量要求,在给定曲面目标域内生成铺放轨迹时需要同时考虑转弯半径、纤维角偏差以及轨迹间距等工艺指标。现有铺放轨迹规划方法大多在对基准轨迹进行优化后,通过路径密化生成铺放轨迹。这仅能保证所生成的轨迹满足单一要求,难以整体满足多个优化目标。为实现多优化目标下的复合材料自动铺放轨迹整体规划,本文将轨迹规划问题转换成为目标域内的泛函优化问题,利用内嵌物理知识神经网络(Physics-informed neural network,PINN)实现目标函数的求解,并提取目标函数的等值线作为轨迹规划的结果。相较于现有策略,本文提出的方法能整体兼顾轨迹的方向性、可铺性以及间隙质量,为实现先进复合材料自动铺放轨迹整体规划提供新思路。

谈人工智能

本文就人工智能的定义作了详尽的阐述,分析了人工智能的发展过程,并结合当前人工智能的科研成果对它的研究对象及其领域作了详细的分析。

基于PINN模型的导弹气动特性快速预测技术

随着内嵌物理机理神经网络(PINN)模型的兴起,PINN模型开始应用于许多学科领域。为了实现导弹气动特性的快速预测,借助工程算法,构建了导弹气动数据集,以此训练导弹气动特性预测模型,包含基于多任务学习的神经网络(MTLNN)模型及在MTLNN模型基础上内嵌物理知识的PINN模型。数值模拟通过选取测试集,对比了MTLNN模型和PINN模型的预测效果,结果表明:PINN模型的预测精度较高,且基本控制在1%以内。探究PINN模型的泛化能力,测试集选取导弹气动数据集包络范围之外的数据,PINN模型预测精度仍然高于MTLNN模型。由于PINN模型引入了气动特性参数之间的物理机理,模型对训练样本数量的依赖程度降低,可以进一步节约数据获取成本,为导弹优化设计提供有力工具。

牛校校刊

加州理工学院《e＆s》 梦想课程 加州理工学院的校友们献计献策,纷纷给师弟师妹们构想出梦想课程。《梦物理学》（Dream Physics）是一门超级物理课,它利用神经网络探索技术,让被测试者在人工引导的梦中,领略现有的物理学知识;《我们的月亮》（Our Moon）这门课研究月亮,借此传授科学、历史、观察和艺术等基础知识;《靠谱政府管理》（Rational Governance）,从科学角度给＂政府＂下定义，并探讨如何才能让政府更靠谱、更理智……