基于人工智能和有限元方法的传热学反问题

作者：鲁得浦; 王成恩^*

来源：工业技术创新, 2023, 10(02): 32-42.

DOI：10.14103/j.issn.2095-8412.2023.04.004

• 传热学反问题(IHTP)
• 有限元方法
• 神经网络
• 人工智能
• 热物性参数
• 损失函数

神经网络算法是一种新兴的人工智能方法，具有强大的数据回归能力，在传热学反问题（IHTP）中能够通过模型训练准确建立温度场与求解条件的映射关系。围绕神经网络算法，分别对传热学正问题求解、反问题模型建立及具体应用开展研究。采用有限元方法求解正问题，通过有限的、相互关联的单元对复杂体进行近似，快速生成传热学反问题所需的数据集。将传热学反问题嵌入神经网络模型，通过正问题批量处理获得的训练数据进行学习。在二维情形下实现了热物性参数反演和边界条件反演，在三维情形下实现了温度场反演。训练后，神经网络损失函数均收敛至0.1以下，各参数的相对误差控制在0.01%～0.6%。该理念在基于实验测量数据开展的传热学反问题研究中具有通用性，理论上可推广至传热计算中涉及的任何不确定参数的预测。

• 出版日期2023
• 单位上海交通大学