研究人员开发了新的物理信息机器学习策略，通过有效地结合基于物理的模型和实验数据来改进全局敏感性分析（GSA）。该研究探讨了两种机器学习技术：深度神经网络（DNN）和高斯过程（GP）建模，以及两种整合物理知识的方法：在损失函数中强制执行物理约束，以及使用模拟数据进行预训练，然后使用实验数据进行更新。结果表明，与GP模型相比，基于DNN的模型在敏感性估计上提供了更小的界限，并在增材制造和湖泊温度建模中展示了应用。 AI
影响 这项研究通过更好地整合模拟和现实世界数据，有望实现更精确的工程系统分析。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Berkcan Kapusuzoglu
- DNN
- Additive Manufacturing
- Deep Neural Networks
- Experimental data
- Gaussian process
- Hugging Face
- Information Fusion
- lake temperature modeling
- machine learning
- Physics knowledge-based transfer learning between buildings for seismic response prediction
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
