连续退火线物理信息神经网络

辨识传热系数

该网络无缝耦合物理模型与运行大数据，用于连续退火线逆向参数识别，解决了传统方法参数复杂、计算成本高和可解释性低的问题。

Kai, Chen · Ming-Yang, Dai · Lei, Xu · Songjiang, Xu · Xin, Xie · 胡晓光 · 黄峰 · 张和明

Engineering Applications of Artificial Intelligence 2024

技术优势

无需复杂参数设定

能量平衡法需要大量难以确定的参数设定，而 PINN 把物理定律嵌入网络，自动满足约束，省去人工调参的环节。

计算成本低

CFD 模拟退火线这样的大型热惯性系统非常耗时，而训练好的 PINN 模型可以快速给出预测，适合在线应用。

可解释性强

纯数据驱动的黑箱模型无法提供物理洞察，而 PINN 的每一部分都对应物理方程，决策过程透明。

支持智能前馈控制

辨识出的传热系数可用于退火线的级联前馈控制，提升带钢质量的稳定性。

应用场景

• 金属热处理过程控制：利用 PINN 快速获得传热系数，为退火等热处理过程提供模型参数。
• 连续退火线智能控制：将 PINN 用于退火线的前馈级联控制，减少带钢温度偏差。
• 热工参数软测量：用 PINN 从运行数据中在线软测量传热系数，替代硬件传感器。