Physics-guided Neural Networks (PGNN): An Application in Lake Temperature Modeling

1.构建混合物理数据模型

如下图

2.使用基于物理的损失函数

上图中描述的HPD模型的一种标准方法是在训练集上最小化其模型预测Y ^的经验损失，同时保持较低的模型复杂度，如下所示：

其中R衡量模型的复杂性，而λ是权衡的超参数。但是，任何此类训练程序的有效性都受到标记训练集的大小的限制，在许多科学问题中，训练集的大小通常很小。特别是，不能保证通过最小化公式2.1训练的模型将产生与我们的物理学知识相一致的结果。因此，我们引入了基于物理的损失函数，以指导数据科学模型的学习，以实现物理上一致的解决方案，如下所示。
使用以下方程式表示目标变量Y和其他物理变量Z之间的物理关系：

G和H是基于物理学的方程式的一般形式，可能涉及Y和Z的代数运算。测量模型预测