增强型物理信息神经网络

边界误差降八成

通过增强拉格朗日法和迁移学习重构损失函数与训练策略，解决梯度不平衡问题，显著提升求解精度与效率。

Guang-De, Zhou · Menghao, Zhan · 黄丹 · Xiaolong, Lyu · Yan, Kanghao

Industrial Lubrication and Tribology 2024

参数信息

最大绝对边界误差降低

80 %

训练轮数降低倍数

10

载荷平衡最大百分比误差

2.31 %

技术优势

边界误差降八成

增强拉格朗日法自适应调整损失权重，显著降低最大绝对边界误差。

训练轮数少一个数量级

迁移学习利用相似条件下的预训练网络，大幅加速收敛。

省去载荷平衡迭代

将油膜厚度扩展为可训练变量，把载荷平衡迭代转化为反问题直接求解。

应用场景

• 流体动力润滑分析：提供高精度且高效的润滑仿真替代FDM。
• 偏微分方程求解：解决梯度不平衡导致的训练难题。
• 工业轴承设计：免载荷平衡迭代加速轴承设计流程。