[Paper] Physics-Informed Neural Networks 用于热物性属性检索

Source: arXiv - 2511.23449v1

概览

本文提出了一种 迭代物理信息神经网络（PINN）框架，用于直接从现场温度测量中获取建筑墙体的热导率。通过将前向热扩散 PINN 与一个简单的优化循环耦合，作者展示了一种快速、非侵入式的方法来估计这一关键能效参数，避免了当今常见的长时间、侵入性测试。

主要贡献

• 基于 PINN 的逆求解器：首次将 PINN 应用于墙体热物理属性估计的逆热传导问题。
• 迭代 k 估计循环：在固定 k 的前向热方程求解与通过最小化预测与观测表面温度之间的差异来更新 k 之间交替进行。
• 对真实环境变异性的鲁棒性：在高保真有限体积法（FVM）模拟的合成数据和现场气象站采集的实测数据上均得到验证，覆盖多种环境条件。
• 在有限数据下的高精度：即使在轻度违背稳态假设的情况下，仍能实现最高 4.09 % 的平均绝对误差（MAE）。
• 开放的研究路径：为未来在土木与建筑工程中基于机器学习的非侵入式材料属性获取提供了基线。

方法论

1. 数据采集 – 在一天内记录表面温度图（热图），并同步采集环境气象数据（外部温度、太阳辐射、风速）。
2. 前向 PINN – 训练一个神经网络，使其满足 固定热导率 k 的一维热扩散偏微分方程（傅里叶定律），同时匹配观测到的边界温度。损失函数包括：
   • PDE 残差（强制物理约束）
   • 边界/初始条件误差（拟合测量数据）
3. 逆向循环 – 前向 PINN 收敛后，将预测的内部温度场与测得的热图进行比较。利用该差异通过简单的基于梯度的优化器（如 Adam） 更新 k。
4. 迭代 – 重复步骤 2–3，直至 k 在相邻迭代之间的变化低于设定容差，表明收敛。
5. 评估 – 将估计的 k 与 FVM 模拟或实验室测量得到的真实值进行基准比较，使用 MAE 与相对误差等指标。

整个流程在普通 GPU 上运行，仅需数分钟，具备现场诊断的实用性。

结果与发现

• 收敛 通常在 5–7 次迭代内完成。
• 采样频率 低至每 10 分钟一次仍能保持低于 5 % 的误差，凸显数据效率。
• 该方法对中等噪声（高斯噪声最高 0.5 °C）不敏感，得益于 PINN 损失中的物理正则化。

实际意义

• 快速改造评估 – 能源审计员可在现场一天内估算墙体热传递系数，为改造决策提供依据，无需破坏性取样。
• 智慧建筑监测 – 与物联网温度传感器集成后，框架可持续追踪材料退化（如潮气渗入），通过检测 k 的漂移实现预警。
• 降低测试成本 – 免除昂贵的热流计或长期热量计装置，降低小规模开发商和改造承包商的门槛。
• 可扩展至其他领域 – 同样的 PINN‑逆向循环可用于土壤热导率、复合材料检测或任何具备现场数据的一维扩散类属性。

局限性与未来工作

• 稳态假设：当墙体黎明温度远离平衡时精度下降；未来可引入瞬态初始条件或多日数据窗口。
• 一维简化：真实立面存在多维热流（如热桥）；将 PINN 扩展至二维/三维几何是自然的下一步。
• 传感器布置：当前仅使用表面热图；加入内部温度探针可提升对异质墙体的可辨识性。
• 泛化能力：模型仅在有限材料类型上训练；需要更广的材料库和迁移学习策略以实现大规模部署。

总体而言，本文展示了物理感知深度学习如何弥合实验室级材料测试与实际现场诊断之间的鸿沟——这对开发商、建筑工程师以及更广泛的 AI‑物理系统社区都是令人振奋的进展。

作者

• Ali Waseem
• Malcolm Mielle

论文信息

• arXiv ID: 2511.23449v1
• 分类: cs.LG, cs.AI, cs.CE, cs.CV
• 发布日期: 2025 年 11 月 28 日
• PDF: 下载 PDF