基于物理驱动深度迁移学习的薄板力学正反问题

摘要：

随着计算机技术的快速发展,深度学习在工程领域的应用越来越广泛.在实际应用中,用于训练的数据集往往具有"小样本"、"高维度"、"稀疏"等特征,这导致传统深度学习模型的适用范围十分有限.该文建立了一种基于迁移学习增强的物理信息神经网络模型,用于解决数据稀疏的力学正、反问题.结合迁移学习策略,利用源模型中已有知识来加强目标任务中的学习,从而提高学习的效率,实现不需要大量数据就能得到较好预测性能的目标.该方法在薄板(两端简支+两端固支)的数据集上训练源模型,基于深度迁移学习从源模型上提取神经网络特征;利用目标任务中稀疏数据集实现源模型的微调,进而对不同边界的薄板响应预测(正问题)和边界识别(反问题)的目标任务进行验证.研究结果表明,该方法在小样本的目标任务上具有良好的精度和泛化能力.相比数据驱动的深度学习模型,物理信息神经网络模型可以有效避免数据生成带来的成本和网格独立性等问题.

关键词：物理信息神经网络、深度迁移学习、薄板、偏微分方程、力学正反问题

所属期刊栏目：40

分类号：TU313.1;O343.1(建筑结构)

资助基金：国家重点实验室建设项目计划;上海市科技重大专项;中央高校基本科研业务费专项资金项目

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1-10