PINN物理信息网络 | 利用物理信息概率神经网络对寿命的可靠性预测

最新推荐文章于 2025-04-27 13:11:54 发布
最新推荐文章于 2025-04-27 13:11:54 发布
阅读量814 收藏 1
点赞数
分类专栏： 物理信息网络（PINN） 文章标签： 神经网络 人工智能 深度学习 PINN 物理信息网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_59771180/article/details/135819275
版权
研究提出了一种集成物理信息的概率神经网络(PIPNN)框架，用于预测金属增材制造制件的疲劳寿命，解决寿命分散性和机器学习模型的不可解释性问题。PIPNN通过物理定律约束神经元和损失函数，提高预测的可解释性和可靠性。通过与PNN对比验证，PIPNN在疲劳寿命预测的精度和稳定性上表现更优。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

金属材料在制造过程中难以完全消除组织内部的不均匀性，晶体结构的微观缺陷、晶界、夹杂物和其他杂质的存在是导致疲劳寿命分散的重要原因。这种分散现象在增材制造制件中表现得尤为显著。金属增材制造过程中不可避免地会产生气孔和未熔合缺陷，产生的缺陷具有全域分布、形态多样、尺寸跨度大和形成机制复杂的特点，这导致增材制造制件的疲劳寿命更为分散，这种分散现象限制了疲劳寿命的精准预测。为了实现增材制件疲劳寿命的可靠性预测，同时考虑疲劳寿命的分散性和机器学习模型的不可解释性，本研究提出了一种集成物理信息的概率神经网络（Physics-informed probabilistic neural network, PIPNN）框架预测增材制件的疲劳寿命。该框架以概率统计的参数形式描述了疲劳寿命的离散性，通过物理定律和模型约束神经元和损失函数，引导网络学习到更符合疲劳过程的物理规律，以提高模型的可解释性和预测可靠性。

在这里插入图片描述

（1）通过标准差描述不同应力水平下疲劳寿命的分散性，并基于Basquin公式建立了新的疲劳寿命损失函数。通过结合疲劳寿命标准偏差随应力幅值减小而增大这一物理定律以及疲劳寿命损失函数模型分别对神经元和损失函数进行约束，构建了物理信息概率神经网络，以引导网络学习到更符

了解本专栏 订阅专栏 解锁全文
基于物理信息神经网络的变压器温度场预测
天天酷科研的博客
01-23 98
基于物理信息神经网络的变压器温度场预测
PINN物理信息网络 | 非线性薛定谔方程的物理信息神经网络
算法如诗的博客
04-01 923
PINN物理信息网络 | 非线性薛定谔方程的物理信息神经网络
PINN，一区手到擒来！
Aimoxin111的博客
03-19 987
主动学习框架：不确定性量化驱动的主动学习框架相比传统数据生成方法，能够更高效地查询和生成高信息量的训练数据，显著减少了训练位错迁移率模型所需的数据量和计算资源。小波激活函数的优势：小波激活函数具有多分辨率和局部化特性，相比传统激活函数，能够更有效地处理具有高频成分和复杂边界条件的问题，模型的预测精度提高了约20%。物理信息融合：通过将物理信息嵌入神经网络的损失函数中，使得模型在学习过程中能够更好地遵循物理规律，相比纯数据驱动方法，模型的预测精度提高了约25%。
通过深度学习偏微分方程模型估计剩余使用寿命：使用潜变量的 退化的动力学解释框架/PINN 在发动机寿命预测的应用 文献总结和内容概要
嗨
03-28 4110
通过深度学习偏微分方程模型估计剩余使用寿命：使用潜变量的 退化的动力学解释框架/PINN 在发动机寿命预测的应用 文献总结和内容概要
物理信息神经网络(PINN)
qq_39444290的博客
12-10 3518
什么是物理信息神经网络(PINN)？ 宋家豪, 曹文博, and 张伟伟. "FD-PINN: 频域物理信息神经网络." 力学学报 55.5 (2023): 1195-1205. 物理信息神经网络(PINN)是一种将深度学习与物理建模相结合的方法，用于求解偏微分方程(PDE)和其他物理问题。PINN 的关键思想是将物理约束嵌入神经网络中，从而使网络能够学习物理系统的行为并满足物理方程。这种方法...
信息物理神经网络—PINN
qq_54220687的博客
06-21 1506
简单来说PINN = NN + physics，我们可以从上图看出，一个全连接神经网络的损失函数变成了几个部分，训练数据的损失函数、微分方程的损失函数、初始约束的损失函数以及边界条件的损失函数。如上图一个全连接神经网络通过数据得出了一个输出u，这个u通过微分算子计算得出了一部分微分方程，这些微分方程组成了新的损失函数。同样如此，分别对不同的输出进行微分计算，得到其微分表达式，然后进而得到损失函数进行反向传播。这是一个传统的神经网络，通过反向传播对权重和偏执进行更新，得到符合要求的模型。
学习笔记：物理信息神经网络(PINN)
qq_52635735的博客
03-11 2520
PINN 的强大在于它打破了传统数值方法的限制，将神经网络的非线性拟合能力与物理方程的严谨性结合起来。它在处理高维、数据稀缺、复杂物理约束的场景下尤其出色。当然，PINN 也有收敛慢、梯度消失等挑战，比如，复杂 PDE 可能导致梯度传播困难，收敛慢(梯度消失)、于具有快速变化特征的系统，如冲击波，标准 PINN 可能精度不足，需要改进策略，比如自适应采样或多尺度特征提取。但随着研究深入，这些问题正在不断被解决。物理或化学方程为什么往往是偏微分方程？什么是物理信息神经网络(PINN)?x_%7Bi%7D。
PINN物理信息网络 | 利用物理信息神经网络进行流体动力学建模
算法如诗的博客
04-25 2144
PINN物理信息网络 | 利用物理信息神经网络进行流体动力学建模
图信息神经网络：融合领域知识的物理系统预测模型
与现有的物理信息神经网络（PINN）和“无数据”物理约束神经网络（PCNN）不同，GINNs采用PGM中的领域知识，如通过L1或L2正则化来体现控制变量之间的关系，这种策略是非侵入式的，使得现有深度学习工具如TensorFlow和...
基于物理信息的神经网络在异常检测Anomaly Detection中的应用：实践指南
最新发布
AI人工智能的学习之路
04-27 1114
物理信息神经网络（PINNs）代表了一种令人兴奋的新建模范式，这种范式正在各行各业迅速崭露头角。PINNs 最有前景的应用之一是复杂物理系统中的异常检测Anomaly Detection。这一应用尤其值得关注，因为它解决了传统机器学习方法在实践中一直难以克服的几个关键痛点。在这篇博客中，让我们通过回答实践者在采用基于 PINN 的方法进行异常检测Anomaly Detection时最常遇到的一些问题，深入探讨这个热门话题。
PINN-laminar-flow:物理信息神经网络，用于解决流体动力学问题
05-25
PINN层流 物理信息神经网络（PINN），用于解决流体动力学问题 参考纸 此回购包括论文中混合形式的物理信息神经网络的实现： 本文已由TAML发布，有权访问Elsevier数据库的人员可以访问以获取适用于照相机的版本。 每个文件夹的说明 FluentReferenceMu002 ：Ansys Fluent的参考解决方案，可实现稳定的流量； PINN_steady ：用PINN实现稳定流； PINN_unsteady ：用PINN实现非恒定流； 结果概述 穿过圆柱体的稳定流（左：物理信息神经网络；右：Ansys Fluent。） 穿过圆柱体的瞬态流（基于物理的神经网络结果） 笔记 这些实现是在TensorFlow 1.10.0的GPU版本上开发和测试的。
PINN模型详解
hasakie的博客
01-06 1352
物理信息神经网络(Physics-Informed Neural Networks, PINN)是一种创新性的机器学习模型，巧妙地将物理知识与深度学习相结合。这种独特的设计理念源于Karniadakis教授的研究团队，他们在一系列开创性工作中提出了这一概念。PINN的核心思想是在神经网络的损失函数中。
物理信息神经网络（PINN）: 将物理知识融合到深度学习中
热门推荐
是我的博客
02-07 11万+
物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是一种结合了深度学习和物理学知识的机器学习模型。与传统的数据驱动的神经网络不同，PINNs 在学习过程中利用物理法则对模型进行指导，从而提高模型泛化能力，特别是在数据较少或噪声较大的情况下。首先，需要明确模型目标及其对应的物理定律。例如，在解决流体力学问题时，可能会涉及到Navier-Stokes方程。模型的建立和训练过程应围绕该物理定律展开。
深入了解PINN：物理信息神经网络（Physics-Informed Neural Networks）
weixin_37522117的博客
12-30 8657
深入了解PINN：物理信息神经网络（Physics-Informed Neural Networks）
机器学习-神经网络：预测疲劳寿命（训练+预测）
ZSC001127的博客
05-15 8786
Python神经网络回归预测模型（训练+预测）
PINN物理信息网络 | 物理信息神经网络PINN实例及其Python实现
算法如诗的博客
01-11 2843
PINN物理信息网络 | 物理信息神经网络PINN实例及其Python实现
物理信息神经网络PINNs : Physics Informed Neural Networks 详解
A book super
05-08 4万+
本博客主要分为两部分： 1、PINN模型论文解读 2、PINN模型相关总结 一、PINN模型论文解读 1、摘要： 基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。 原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。 优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少
PINN——加入物理约束的神经网络
qq_39444290的博客
12-17 2636
【摘要】 基于物理信息的神经网络(Physics-informed Neural Network， 简称PINN)，是一类用于解决有监督学习任务的神经网络，它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。本文主要解析这种神经网络以...
bayes pinn
04-02
### 贝叶斯方法与物理信息神经网络（PINN）的结合 贝叶斯物理信息神经网络（BPINN）是一种将贝叶斯方法融入到物理信息神经网络中的框架，旨在通过概率推理来增强传统 PINN 的性能和适用范围。这种方法不仅保留了 PINN 对物理约束的支持，还利用贝叶斯统计学的优势提供了不确定性量化的能力。 #### BPINN 的核心概念 BPINN 将贝叶斯推断的思想应用于 PINN 中，允许模型参数的学习过程具有分布性质而非单一固定值。具体来说，在训练过程中，BPINN 不仅优化神经网络权重以最小化损失函数，还会考虑先验分布的影响以及后验分布的估计[^1]。这种机制使得 BPINN 可以更好地处理噪声数据并提供更可靠的预测结果及其置信区间。 #### 实现细节 为了实现 BPINN，通常采用变分推断或马尔可夫链蒙特卡洛采样等技术来进行近似后验计算。以下是其主要组成部分： 1. **定义目标函数** 结合标准 PINN 损失项与额外加入的正则化因子表示来自领域知识或者观测误差的信息。例如： \[ L(\theta) = MSE_{data} + \lambda_1 \cdot PDE\text{-loss} + \lambda_2 \cdot KL(q(w|\phi)||p(w)) \] 这里 \(MSE_{data}\) 表示数据拟合部分；\(PDE\)-loss 是满足偏微分方程条件的部分；而最后一项则是 Kullback-Leibler 散度用来衡量当前权值分布相对于预设先验的距离[^3]。 2. **选择合适的架构** 使用全连接前馈型或多层感知机作为基本单元结构，并适当调整层数宽度以便适应不同规模的任务需求。此外还可以探索其他类型的激活函数比如高阶多项式形式进一步提升表达力。 3. **评估不确定性和鲁棒性** 利用得到的概率密度函数对未知输入给出可能取值范围内的多个样本输出从而完成风险分析等功能扩展. ```python import tensorflow as tf from tensorflow_probability import distributions as tfd class BayesianLayer(tf.keras.layers.Layer): def __init__(self, units=32, prior_stddev=1., likelihood_noise=.01,**kwargs): super(BayesianLayer,self).__init__(**kwargs) self.units = int(units) self.prior_stddev=prior_stddev self.likelihood_noise=tf.constant(likelihood_noise,dtype='float32') def build(self,input_shape): shape=(input_shape[-1],self.units) # Initialize weights with normal distribution centered at zero. w_init=tfd.Normal(loc=0,scale=self.prior_stddev).sample(shape) b_init=tf.zeros([self.units]) self.w_var=tf.Variable(initial_value=w_init,name="kernel",trainable=True) self.b_var=tf.Variable(initial_value=b_init,name="bias",trainable=True) @property def kernel_posterior(self): return tfd.MultivariateNormalDiag( loc=self.w_var, scale_diag=tf.ones_like(self.w_var)*self.prior_stddev) ... def bayes_pinn_model(): inputs = Input((n_features,)) hidden_layer = Dense(...)(inputs) ... output_distribution = BayesianOutputLayer()(hidden_layer) model = Model(inputs=[inputs], outputs=output_distribution.mean()) log_likelihood_loss_fn=lambda y_true,y_pred:-output_distribution.log_prob(y_true) kl_divergence_regularizer=get_kl_divergence_regularizer() total_loss=log_likelihood_loss_fn+kl_divergence_regularizer optimizer=tf.optimizers.Adam(lr=learning_rate) train_op=optimizer.minimize(total_loss,var_list=model.trainable_variables) ``` 上述代码片段展示了如何创建一个简单的带有贝叶斯层的基础版本 BPINNs 架构实例[^2]。 #### 应用案例 BPINN 已被成功应用于多种实际场景之中，包括但不限于以下几个方面: - 动态系统建模：如电力负荷波动趋势预测等问题； - 多尺度材料科学研究：研究纳米级至宏观层面物质行为之间的联系； - 流体力学数值求解：提高复杂流体流动现象的理解精度等等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Matlab建模攻城师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值