Data-driven computing in elasticity via kernel regression

This paper presents a simple nonparametric regression approach to data-driven computing in elasticity. We apply the kernel regression to the material data set, and formulate a system of nonlinear equations solved to obtain a static equilibrium state of an elastic structure. Preliminary numerical experiments illustrate that, compared with existing methods, the proposed method finds a reasonable solution even if data points distribute coarsely in a given material data set.

数据驱动与物理机制耦合的菜子湖流域水位预报模型研究

菜子湖作为引江济淮工程的关键调蓄湖泊之一,湖泊水位的变化同时受到自然降水和工程调蓄的影响。为了准确模拟及预报菜子湖水位,构建了菜子湖流域四水源新安江模型和菜子湖水位预报的神经网络(LSTM)模型。在此基础上,采用外部耦合的方法,构建了四水源新安江-LSTM耦合模型,进一步将物理机制模型模拟的入湖流量作为补充因子,驱动神经网络(LSTM)模型模拟菜子湖水位,从而实现两种不同模型在湖泊水位预报中的耦合应用。结果得出:直接模拟水位的洪水误差小于0.1 m,耦合模拟水位的洪水误差小于0.02 m,后者相较前者,水位误差精度提升了0.08 m。直接模拟水位验证期的洪水误差在0.02 m之内,纳什系数R^(2)分别为0.89、0.75及0.88,均方根误差RMSE分别为0.034、0.027及0.015;耦合模拟水位验证期的洪水误差在0.015 m之内,纳什系数R^(2)分别为0.91、0.82及0.88,均方根误差RMSE分别为0.019、0.021及0.008。研究结果表明,与单驱动因子得出的结果相比,双驱动因子得出的结果更有效地提高了水位的模拟精度。同时在考虑对应降雨的洪水过程中,数据驱动和物理机制相结合的方法与直接预测水位误差相对比,有效地提高了场次洪水水位预报的精度,得到更精确的模拟结果。为引江济淮工程的调水提供了重要的参考依据,也为相似调水工程的洪水水位预报提供一定的参考。

基于弹性力学第一性原理的数据驱动力学建模

提出了一种基于弹性力学第一性原理的数据驱动力学建模方法,其能够从基于弹性力学方程的数值计算结果建立简洁且能准确捕捉变形机制的力学模型。基于有限元计算得到的高精度数据和无监督数据驱动控制方程识别方法Seq-SVF,从梁的载荷和位移数据中自动识别出了Timoshenko梁形式的弯曲控制微分方程,得到了三种不同加载条件下剪切影响系数关于结构尺寸和力学参数的函数表达式。揭示了经典模型适用的加载条件,同时还给出了一种未发现的新模型。通过将基于弹性力学的第一性原理计算与数据驱动范式相结合,克服了传统建模方法的局限性和对人类经验的强依赖性,为建立简洁的力学模型提供了一种新途径。

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。

锂离子电池的劣化:力-电化学耦合机理与模型

锂离子电池在充放电循环过程中会不可避免地发生容量衰减,这种性能劣化现象普遍存在,且符合人们的日常认知.然而,显而易见的电池劣化现象背后的机理则是相当复杂.本文首先分别从颗粒尺度和电极尺度入手,对锂离子电池的多尺度-多场-多过程的力-电化学耦合劣化机理进行了梳理,其中对固态电池的劣化进行了单独的讨论.进一步地,本文梳理了用以描述锂离子电池力-电化学耦合劣化行为的劣化模型.需要指出的是,由于电池劣化机理的复杂性和外部可测量的稀缺性,建立劣化模型是具有挑战性的,且目前仍存在巨大的研究空白.基于此,本文提出了一种双向劣化模型的设想,融合物理模型和数据模型,以具有一定物理意义的内变量为纽带,建立围绕内变量的“力学行为-内变量-劣化行为”完整映射,为客观、准确地描述和预测电池劣化行为提供新思路.

经验知识监督的RC墩柱力学性能神经网络分析方法

基于试验或数值模拟的单一墩柱力学性能分析方法难以兼顾计算精度和效率,纯数据驱动的分析方法存在可解释性差和对数据依赖性强等问题。为此,本文通过研究钢筋混凝土(RC)墩柱力学性能试验数据、经验知识和机器学习的融合机制,提出了经验知识监督的RC墩柱力学性能神经网络(knowledge-guided neural network,KGNN)分析方法。首先,建立了包含761组RC墩柱拟静力试验样本的数据库;随后,基于经验知识分析了RC墩柱主要特征对其力学性能的影响规律,构建了相应的数学表征方法;最后,将RC墩柱试验数据及经验知识融入人工神经网络架构和训练过程,建立了高精度、可解释、可通用且不依赖大量训练数据的RC墩柱力学性能KGNN分析模型。本文提出的KGNN分析方法与纯数据驱动神经网络(BPNN)的结果对比表明:BPNN在测试集上表现更好,在分析墩柱承载力时均方根误差(E)和拟合系数(R^(2))分别为0.070和0.978,KGNN模型的E和R^(2)分别为0.108和0.942;但由于BPNN所预测的墩柱特征对承载力的影响规律与经验知识并不吻合,即未能准确反映墩柱特征与其力学性能间的关系,BPNN模型发生了过拟合;而KGNN方法不仅可以快速准确获得RC墩柱力学性能,且预测规律与经验知识吻合较好,具有更高的可靠性和实用性。因此,融合试验数据与经验知识的神经网络有望成为一种新的RC结构力学性能分析方法。

知识与数据联合驱动的风力发电机叶片动态雷达散射截面统计模型

针对风力发电场对雷达等设备影响评估中所需风力发电机动态雷达散射截面(RCS)估计的问题,提出了一种知识与数据联合驱动的风力发电机动态RCS统计模型。首先,利用风力发电机叶片RCS随叶片旋转周期性变化的特点,建立叶片RCS单个单调变化区间内的变化函数。该变化函数由与叶片几何参数相关的峰值RCS、与叶片几何参数无关的调制函数、与材质和形状细节相关的乘性因子组成。其中峰值RCS由理论模型推算得到,针对RCS变化复杂的特点,调制函数和乘性因子利用实测训练数据估计得到。其次,对于待求解型号的风力发电机,根据风力发电机几何参数得到其叶片RCS变化函数,再通过参数估计的方法计算其概率密度函数统计模型。多种不同型号风力发电机实测数据的实验结果,验证了该文给出的风力发电机叶片动态RCS统计模型,与实测数据结果有良好的一致性。

中长期径流预报研究进展与展望

概述了中长期径流变化的主要影响因素,从发展历程和研究方法两个角度总结了中长期径流预报方法。从研究技术、径流成因、数据驱动模型、预报不确定性4个方面综述了中长期径流预报的研究进展,分析了在径流关键驱动因子及其驱动机制、数据驱动方法的物理可解释性、预报结果的不确定性认识等方面研究的不足,指出未来应注重对中长期径流物理成因、预报方法适用性和可靠性、中长期径流演变相关研究成果的应用等方面的研究。

基于数据-机理联合驱动的制冷空调系统故障特征提取方法

制冷空调系统故障特征提取是系统故障诊断的基础。现有研究常利用端到端的黑箱模型实现自主特征提取,获得的特征不具备物理解析,无法保证其全局应用的可靠性。针对制冷空调系统展开具有明确物理意义的特征提取研究对实现可靠可信故障诊断具有重要意义。本文提出一种数据-机理联合驱动的故障特征提取方法,针对动态运行数据复杂多变特性,构建制冷系统基准模型和偏离特性表征策略,实现故障偏离特征的准确提取,并结合热力学机理分析对其进行理论解释。利用ASHRAE RP-1043数据集进行实验验证,获得6类典型故障特征并构建偏离特征矢量表,为故障诊断提供理论基础。

卡尔曼滤波器与神经网络串行的轮胎载荷识别模型

轮胎载荷是车辆设计和安全性评估的基础数据,对轮胎进行高精度的载荷识别具有重要意义。针对轮胎载荷直接测量昂贵、复杂的现状以及基于纯物理驱动与纯数据驱动的载荷识别方法的局限性,提出一种物理-数据联合驱动的载荷识别模型。该模型由卡尔曼滤波器与神经网络修正模型串行组成,卡尔曼滤波器对载荷进行初步识别,修正模型通过卷积神经网络和长短期记忆网络提取信号的空间和时间特征,预测卡尔曼滤波器的偏差并对识别结果予以修正。以APM300胶轮车辆为例进行载荷识别,结果表明,该串行模式载荷识别模型通过将物理驱动与数据驱动方法有机结合,综合整个系统的规则与经验,有效地克制了参数扰动的影响,提升了载荷识别精度,具有较强的泛化性能,具备一定的工程应用价值。

知识和数据驱动的多时间尺度采样系统建模方法

针对多时间尺度采样系统快采样变量的信息难以充分利用,建模信息不足的问题,提出一种知识和数据驱动的多时间尺度采样系统的模糊迁移学习建模方法,建立多时间尺度采样系统模型,提高建模精度.首先,设计滤波插补方法填补慢采样变量的空缺值,统一慢采样变量和快采样变量为慢时间尺度,利用慢时间尺度变量建立目标模型.其次,提出模型共享机制补充目标模型的建模信息,统一慢采样变量和快采样变量为快时间尺度,利用快时间尺度变量建立参考模型,将参考模型中充足的模型知识迁移到目标模型中.最后,利用参考模型的知识和目标模型的数据学习目标模型的参数,提高目标模型的精度.将提出的建模方法应用于理论数据集,实验证明该方法可以充分挖掘建模信息,建立高精度的多时间尺度采样系统模型.

混合建模方法在蒸汽供热管网建模中的应用

区域供热系统的热力水力建模有助于系统的运行分析及调度,为了避免单一的机理建模和数据驱动建模可能存在的缺陷,本文提出了三种机理—数据驱动混合建模方法,根据建模结构不同分为并联、串联和引导三种方式。结果显示:相比于机理建模方法,采用混合建模方法后预测精度有明显提高,本文中串联式建模方法的建模误差最小,温度和压力测点的平均均方根误差分别为0.36和0.0055,本文所提出的方法为供热系统的混合式建模提供了依据。

数据驱动的精准化学习评价机制与方法

综合素质评价是深化教育改革、落实立德树人根本任务的必然要求。信息技术赋能教育教学过程,使得传统教育评价机制向数据驱动的精准化学习评价方向迈进。数据驱动的精准化学习评价是一种不断获取、整合、分析学习过程中的多模态数据,对教学和学习活动的信息流与运行轨迹作出观测、解释和反馈,以发现教育中存在的问题,辅助课堂教学干预的评价方法,包含多场景数据采集、多空间数据融合、精准分析模型构建、分析结果可视化四个关键组成部分。多场景数据采集为学习评价提供数据来源和量化手段支撑,多空间数据融合为学习评价提供统一数据标准,精准分析模型为学习评价提供数据驱动的学习分析与评价方法,分析结果可视化为学习评价提供反馈和应用服务。数据驱动的精准化学习评价框架,应以区块链技术为基础,融合人工智能、云计算、学习分析、情境感知等新兴技术,在多维时空尺度上全面采集学习过程中的多元海量数据,通过全面、系统的统计分析和数据挖掘,从学习者的内在动机到认知发展、情感表现,再到社会综合交互能力,多维度、及时、准确地评估学生的学习状况。当前,探索数据驱动的精准化学习评价,可从构建符合多空间数据特征的综合素质评价框架,完善过程性数据的采集与共享机制,突破情感、认知、动机与社交评价的关键技术,以及研制数据驱动的学习评价平台等方面入手。

新能源接入背景下的谐波源建模方法综述

大量接入可再生能源和逐步采用交直流混合网络已经成为现代电力系统的两大特征,随之而来的电网谐波问题日益突出。在此背景下,谐波源建模方法、谐波溯源方法以及谐波治理方法这三个难点问题越来越受到学术界和工业界的高度关注。综述了目前常见的谐波源建模方法,为电网谐波领域的理论研究和实践提供参考。从谐波源的机理性建模和数据驱动建模两个角度,对目前常见的谐波源时域建模方法和频域建模方法进行了梳理、分析和比较,归纳了各种建模方法的优势和不足,论述了各类谐波源建模方法的适用场景。其中,重点阐述了机理性建模方法和数据驱动建模方法存在的问题,并针对每个问题提出了对应的解决思路。最后,对常见谐波源建模方法的特点进行了归纳总结,对新能源接入背景下谐波源建模技术的发展方向进行了展望。

基于数据的自适应CPS软件结构模型设计方法

信息物理系统(Cyber-Physical System,CPS)一般在动态环境中控制物理设备的运行,因此环境参数影响着CPS的结构和行为。提出了一种基于数据的自适应软件结构模型设计方法,该方法中CPS软件结构模型由单元模块通过层次化的组合构造而成。CPS的自适应演化通过面向方面建模方法实现,将环境因素的功能抽象成方面模型,通过对方面模型与基础模型进行编织得到综合的CPS模型。基于Petri网和时态逻辑的形式化方法为CPS模型提供了数学表达和分析手段。理论分析和实验结果表明,本文的设计方法具有可行性和高效性。

未确知数学在岩石物理力学试验中的应用

某工程岩石物理力学试验应用未确知数学方法，对试验成果进行分析，给出了试验参数的标准值和保证率，提高了试验参数在工程设计中应用的可靠性。

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。

基于程序驱动和数据驱动的学校体育衔接机制构建

为解决我国学校体育缺乏以项目为基础的总体渐进式的课程衔接机制等问题,将不同学校阶段有机衔接,通过职能部门职能转变保障政策实施,最终形成完善的学校体育衔接制度。运用实地调研、文献资料和访谈等方法,依据制度建立保障体育实施、实施效果及时反馈和出现问题及时调整的逻辑。提出通过建立独立的体育职能部门进行程序驱动和数据驱动相结合的办法,来解决学校体育衔接不够的问题。职能部门需实施课程的监督与指导、体育资源整合、体育科技设备的使用和师生权益保障等内容,来完成学校体育衔接机制的构建。其核心的部分是完善以项目为基础的体育课程建设,各方的服务与监督指导都是围绕这一核心开展。课程建设中程序驱动注重课程细节,数据驱动注重分类和大数据。

数据驱动与机理解析方法融合的ICPS自适应综合安全控制

针对一类隐蔽虚假数据注入(FDI)和执行器故障共存的工业信息物理融合系统(ICPS),将数据驱动与机理解析方法有机结合,研究综合安全控制与通讯协同设计问题.首先,设计一种服从指数型自适应律的离散事件触发通讯机制(ADETCS),并构建可同时抵御网络FDI攻击和物理部件故障的自适应ICPS框架;然后,基于数据驱动技术,通过优选和优化建立FDI攻击的预测模型PSO-CatBoost,对攻击进行准确重构和补偿;接着,借助于增广型Lyapunov-Krasovskii泛函、改进仿射Bessel-Legendre不等式等少保守性技术,推导出鲁棒观测器和综合安全控制器的求解方法;最后,通过四容水箱实例验证所提出方法的有效性.实验结果表明:将数据驱动的隐蔽FDI重构补偿与机理解析的补偿误差抑制深度融合,主被动协同有效容侵了网络攻击,结合对故障的主动容错,并在ADETCS下随系统行为变化自适应调整触发参数,可显著提升ICPS的双重安全防御能力,节约更多的网络资源.

自适应事件触发通信机制下机理解析与数据驱动融合的ICPS双重安全控制

针对存在拒绝服务(DoS)攻击与执行器故障的工业信息物理融合系统(ICPS),将机理解析与数据驱动方法相结合,在新型自适应事件触发通信机制下,研究双重安全控制问题.首先,设计自适应事件触发机制,能够触发参数随系统行为动态自适应变化,节约更多网络通信资源;其次,基于系统最大允许时延建立攻击检测机制,可以有效区分大、小能量DoS攻击;再次,基于极限学习机算法(ELM)建立时序预测模型,用于大能量DoS攻击时重构修正控制量,以主动容侵攻击的影响,并给出与小能量攻击时机理解析的弹性被动容侵来提升系统对攻击的防御能力;然后,借助T-S模糊理论、时滞系统理论、新型Bessel-Legendre不等式等,推证得到系统鲁棒观测器及双重安全控制器的解析求解方法,使双重安全控制与通讯性能得到折衷协同提升;最后,通过实例仿真验证所提出方法的有效性.