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。

基于物理信息神经网络的生物质气化产物分布预测方法

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。

基于物理信息神经网络的盾构隧道诱发地表沉降预测

地表沉降是城市复杂环境下盾构隧道施工重点关注的问题。传统机器学习方法在预测隧道施工诱发地表沉降时忽略了其内在的物理机理,存在对训练样本需求量较大的弊端。基于深度神经网络(deep neural networks, DNN)对Verruijt-Booker解的围岩位移因子进行修正,构建地表沉降与隧道开挖面空间位置的关联。将修正后的Verruijt-Booker解的物理方程耦合至另一并行的DNN框架中,构建数据-物理双驱动的物理信息神经网络模型(physics-informed neural networks, PINN),从而约束神经网络在满足物理机制的空间中进行训练。算例分析的结果表明:在同等配置的条件下,提出的PINN模型的预测效果显著优于单一数据驱动的传统DNN模型,其外推泛化性能得到显著提升。工程应用的结果表明:PINN模型可以利用施工前期的实测数据,准确预测后续施工过程中开挖面在不同位置时监测断面的地表沉降值。提出的方法有助于提高盾构隧道施工过程中地表沉降控制的智慧化程度,可为工程的潜在风险及施工决策提供预警和指导。

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。

油藏动态预测的物理信息神经网络方法研究

就油气田开发而言,深度学习在产量预测、饱和度预测、数值模拟等问题已经得到了广泛应用。但是,基于纯数据驱动的深度学习预测模型,存在着泛化能力较弱,数据需求量大等问题,这些问题限制了其在油藏开发动态预测方面的应用。对此,本文介绍了一种基于油藏渗流力学和数据驱动的深度学习神经网络模型,首先通过大量的文献调研,综述出物理信息神经网络(PINN)方法的国内外现状,总结PINN的机理,同时对基于PINN预测效果的影响因素进行了分析,为使用PINN方法对油藏动态预测提供一定的指导意义,同时也为油藏动态预测研究提供了理论依据与方向。

圆截面组合桩加固滑坡的作用机理与合理嵌固深度物理模型试验研究

目前在滑坡治理中,大截面人工挖孔桩因存在施工安全隐患大和效率低下等问题已在部分行业领域被限制使用,开展可机械化施工的圆截面组合桩研究已成为新的趋势,但当前对圆截面组合桩变形受力机理与合理嵌固深度的研究尚不够深入。基于自主研发的圆截面组合桩加固滑坡物理模型试验系统,开展了不同工况下圆截面组合桩加固滑坡的物理模型试验,分析了滑体的变形演化过程,研究了圆截面组合桩加固下滑体与抗滑桩的变形受力特征,并对比分析了不同嵌固深度和桩顶连系梁对圆截面组合桩变形特征的影响,揭示了圆截面组合桩加固滑坡的作用机理。结果表明:①滑体的变形演化过程可分为压密、匀速变形、加速变形和变形破坏4个阶段;②前后桩均存在反弯点,反弯点会随着试验进程向桩顶移动,且后桩的反弯点更接近于滑动面;③当一排桩的嵌固深度保持不变、另一排桩的嵌固深度改变时,可将36%的桩长作为合理的嵌固深度;④连系梁使后桩的最大桩顶位移减小了15.6%,而对前桩的影响不大;⑤连系梁的存在降低了滑动面处的最大桩身弯矩,从而使得桩身弯矩分布更加合理。该研究成果有望为圆截面组合桩的设计提供借鉴和参考。

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.

基于信息物理融合的间接空冷机组冷端系统运行优化

随着我国能源消费与供给革命不断推进,火电企业发展形势日益严峻,需要在新一代能源系统中提高自身竞争优势。在系统阐述电站信息物理融合系统(cyber physical system,CPS)的体系结构和应用模式的基础上,提出基于CPS的火电机组生产过程表征与运行优化方法,并针对间接空冷机组冷端系统优化开展模型验证与案例分析。采用数据驱动方法建立间接空冷机组冷端CPS模型;利用机组历史运行数据修正汽轮机级组效率曲线,构建汽轮机变工况模型;通过BP神经网络回归预测空冷塔出口水温,协同优化得到变频泵最佳运行频率。案例机组运行数据分析结果表明:采用该冷端CPS模型及优化策略可降低机组供电煤耗0.9g/kWh,有效提升机组经济性。

工业互联网中数字孪生系统的机理+数据融合建模方法

工业互联网的快速发展为学术界以及工业界带来了新型研发范式——数据密集型科学发现,融合物理机理以及数据驱动的建模方法是其中的研究热点之一,这种方式可以充分发挥机理仿真可解释性和泛化能力强、数据驱动模型灵活性和可学习的优势,为未来数字孪生系统提供高效、灵活的工具和方法。通过聚焦于工业互联网中构建数字孪生系统的机理+数据融合建模方法,首先阐述了基本数学原理以及建模方法,并对比了机理+数据融合建模与传统数据模型、机理模型的区别;然后从模型选择、物理机理约束以及实际任务需求3个角度详细给出了机理+数据融合建模方法的构造过程,总结了目前学术界的最新研究进展;最后介绍了国内外关于机理+数据融合建模方法在工业设备设计优化、生产制造、运行维护方面的实际落地应用场景。

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。

人工智能促进数据中心绿色节能研究

为应对全球气候变化和实现绿色发展,我国提出碳达峰碳中和发展目标,绿色发展已成为数据中心建设运营的主旋律。基于人工智能等新一代信息技术促进数据中心节能的理论与实践,分析了多种人工智能技术在数据中心节能方面的应用。在此基础上,提出了数据中心人工智能节能系统的部署趋势,并给出了以创新技术推动行业绿色节能发展的思考与建议。

基于FDD–HSM方法的复杂拓扑供热管道动态等值建模

含热电联产机组的区域电热联合供给系统日益受到重视,供热管网动态建模是其优化运行的重要基础.基于管道热力输运原理及其运行数据,提出一种有限差分域–混合半机理(FDD–HSM)动态建模方法.首先,简化复杂拓扑供热管道为单一管径、直管段的简单拓扑形状并给出低阶等值机理模型结构.其次,考虑低阶机理模型输入–输出延迟阶次,定义有限差分回归向量并提出有限差分空间概念,采用高维聚类和超平面估计实现其紧致凸划分并获得若干有限差分工作域.然后,提出混合半机理建模方法,在各工作域辨识机理模型参数,并增设长短期记忆神经网络偏差动态补偿项,实现任意精度逼近.最后,基于某区域热网管道实测运行数据验证了所提方法的有效性及准确性,所得多工作域–线性低阶机理模型可广泛应用于热网快速仿真、数值优化及控制设计.

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。

高韧性尼龙6-聚氧化乙烯醚复合材料制备及复合形式对合成及结构性能影响

分别通过物理分散和化学嵌段形式将柔性端氨基聚氧化乙烯醚(PEA)引入尼龙6(PA6)体系制备了PA6/PEA共混物和PA6-b-PEA共聚物。研究发现,PEA的引入使得聚合反应活性降低,活化能增大,共聚体系中PEA-TDI大分子引发剂的长链效应和位阻效应对聚合反应的延缓作用更明显。当复合材料中PEA含量相同时,共混体系的结晶性能优于共聚体系,而当嵌段的PEA含量较高时,共聚体系形成少量γ晶。随PEA含量增加,PA6-PEA复合材料的弹性平台和应变硬化现象愈加明显。嵌段的柔性PEA链段使共聚分子链排列不再规整,分子链运动能力大幅提升,从而使PA6-b-PEA共聚物具有高抗冲击性,其冲击断面产生大形变和"毛发"结构,呈现韧性断裂特征。

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。

基于燃煤智能发电平台ICS的智能报警模型应用分析

针对燃煤火力发电站,基于智能发电平台ICS,搭建智能报警模块,开发基于斜率变化算法、设备健康度打分算法、基于大数据学习的期望值偏离算法、神经网络算法、逻辑故障树和专家知识库诊断、物理机理模型的智能报警应用,提升机组提前发现缺陷和预警故障能力,提高火力发电的主动安全性。结果表明:开发智能报警应用的算法至少包括3大类8种模型,3大类模型包括专家经验模型、纯数据分析模型、物理机理模型。在国电内蒙古东胜热电有限公司1号机组ICS中,应用了6300多例参数变化率异常预警,1000多条基于大数据分析和神经网络算法自学习出来的各工况下标准参数和期望区间,300种典型的逻辑故障树。基于3大类、8种模型的复合型智能报警和预警系统功能强大,能带来安全水平提升和可观的经济收益。