基于迁移学习和物理约束的温度场重构方法
Transfer Learning and Physics-informed Neural Network for Temperature Field Reconstruction作者机构:北京航空航天大学能源与动力工程学院北京100191
出 版 物:《工程热物理学报》 (Journal of Engineering Thermophysics)
年 卷 期:2023年第44卷第4期
页 面:1088-1095页
核心收录:
学科分类:080701[工学-工程热物理] 08[工学] 0807[工学-动力工程及工程热物理] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(No.51876005) 国家自然科学基金(No.52122604)。
摘 要:通过少量离散的测点准确重构完整温度场可以方便快捷地大幅扩充测量数据,在航空航天等领域具有重要意义。本文以三维平板气膜冷却温度场重构问题为例,提出了一种基于迁移学习和物理约束(TL-PINN)的三维温度场重构方法。首先将导热方程加入神经网络损失函数作为约束,并通过其他工况的丰富数据进行预训练,再迁移至目标域内,通过少量测点微调训练得到最终模型。基于数值仿真数据进行模型的训练和测试,结果显示,相比于常规前馈神经网络和物理约束神经网络,TL-PINN具有更低的温度场预测误差和更少的模型训练时间。并且考察了不同可训练层和源工况条件对最终模型温度预测能力的影响,发现仅训练部分隐藏层可节约训练时间,源工况条件对模型的影响较小。