基于迁移学习和物理约束的温度场重构方法

作者：李地科; 刘忠信; 邱璐; 陶智; 朱剑琴^*

来源：工程热物理学报, 2023, 44(04): 1088-1095.

• 温度场重构
• 神经网络
• 迁移学习
• 物理约束

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。

• 出版日期2023
• 单位北京航空航天大学