-
题名基于物理信息神经网络的实时混合试验方法
- 1
-
-
作者
龚建勋
杨格
沈晗瑞
-
机构
武汉理工大学土木工程与建筑学院
武汉理工大学三亚科教创新园
-
出处
《地震工程与工程振动》
北大核心
2025年第3期158-167,共10页
-
基金
国家自然科学基金项目(52478202,52008320)。
-
文摘
实时混合试验是一种对含速度相关型构件的结构开展抗震性能研究的重要试验方法。然而,目前的实时混合试验面临着数值子结构计算效率难以满足实时性的挑战,限制了该方法在大型工程结构抗震试验中的应用。为了提高数值子结构的计算效率,提出了适用于实时混合试验的物理信息神经网络,实现了神经网络代理模型实时混合试验方法。首先,基于不同物理约束方程构建了神经网络模型;然后,通过有限元软件对2层含阻尼器框架结构进行了地震响应数值模拟,并利用这些模拟数据训练网络模型;最后,利用训练得到的物理信息神经网络开展了实时混合试验仿真。仿真结果表明,物理信息神经网络具备较高的预测精度,其中以恢复力作为损失函数的物理信息神经网络精度最高,基于物理信息神经网络代理模型的实时混合试验方法具备可行性。
-
关键词
实时混合试验
物理信息神经网络
损失函数
代理模型
子结构
-
Keywords
real-time hybrid test
physical information neural network
loss function
surrogate model
substructure
-
分类号
TU317
[建筑科学—结构工程]
-
-
题名基于物理信息同步学习的高频传输线电压预测研究
- 2
-
-
作者
李通博
黄浩
程钰
-
机构
中国能源建设集团辽宁电力勘测设计院有限公司
-
出处
《现代信息科技》
2025年第17期22-27,共6页
-
文摘
高频传输线在电力系统中发挥着至关重要的作用,广泛应用于电磁波的传播与交互。因此,对其电压的精准预测对于信息获取具有重要意义。然而,现有数值方法在计算效率方面存在一定限制。为此,对高频传输线电压预测方法进行了研究,提出一种基于物理信息同步学习的方法。首先,构建用于预测电压的神经网络,并随机采样获取稀疏训练数据集和无标签的配置点集。其次,构建一个数据-物理信息融合损失函数用于训练网络,其综合考虑了数据损失和物理信息损失。最后,采用皮尔逊相关系数和均方根误差作为评价指标,通过实验来验证所提方法的有效性。同时,文章进行了网络相关参数的敏感性对比分析,验证该方法的有效性和鲁棒性。
-
关键词
数据-物理信息融合损失函数
物理信息同步学习
电压预测
神经网络
-
Keywords
data-physics information hybrid loss function
Physically informed Synchronous Learning
voltage prediction
Neural Network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
