基于人工智能和有限元方法的传热学反问题

神经网络算法是一种新兴的人工智能方法,具有强大的数据回归能力,在传热学反问题（IHTP）中能够通过模型训练准确建立温度场与求解条件的映射关系。围绕神经网络算法,分别对传热学正问题求解、反问题模型建立及具体应用开展研究。采用有限元方法求解正问题,通过有限的、相互关联的单元对复杂体进行近似,快速生成传热学反问题所需的数据集。将传热学反问题嵌入神经网络模型,通过正问题批量处理获得的训练数据进行学习。在二维情形下实现了热物性参数反演和边界条件反演,在三维情形下实现了温度场反演。训练后,神经网络损失函数均收敛至0.1以下,各参数的相对误差控制在0.01%～0.6%。该理念在基于实验测量数据开展的传热学反问题研究中具有通用性,理论上可推广至传热计算中涉及的任何不确定参数的预测。