信息融合与机器学习: 基于物理知识与实验数据的敏感性分析

摘要

该研究探讨了当物理模型和实验数据同时可用时，如何利用物理信息机器学习策略进行全局敏感性分析（GSA）。研究考虑了深度神经网络（DNN）和高斯过程（GP）两种技术，并提出了两种融合物理知识的方法：在损失函数中加入物理约束，以及利用模拟数据预训练后更新。针对每种技术构建了四种模型，并将模型不确定性纳入Sobol指数计算。结果表明，DNN模型相比GP模型能给出更紧凑的敏感性估计边界。方法在增材制造和湖泊温度建模中得到了验证。