基于区域方法的机器学习和物理约束神经网络在加热炉中的应用
原文中文，约300字，阅读约需1分钟。发表于：。通过使用计算模型生成数据进行机器学习和深度学习模型训练，本文比较了大范围的机器学习和深度学习方法在不同炉环境下的温度预测性能，DL 方法在推理时间和模型性能方面具有综合平衡，在增强 DL 模型的外域概括能力方面，提出了一种基于物理知识的神经网络（PINN），该设置适用于任何标准的 ML 回归模型，以实现基础工业向工业 4.0 的过渡。
本研究比较了不同炉环境下机器学习和深度学习方法的温度预测性能。发现深度学习方法在推理时间和模型性能方面具有综合平衡。为了增强深度学习模型的外域概括能力，提出了一种基于物理知识的神经网络（PINN），适用于任何标准的机器学习回归模型。该研究对实现基础工业向工业 4.0 的过渡具有重要意义。
