热点事件持续更新
广义PINN与迁移学习结合实现空间变化换热系数反演估计
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月14日，arXiv发布的一项研究提出了一种基于迁移学习的广义PINN方法，用于射流冲击冷却中空间变化对流换热系数的反演估计。实验结果显示，在雷诺数15000的目标条件下，分段线性表征与神经网络表征分别将相对误差从二次PINN的16.76%降低至14.41%和14.46%。同时，借助迁移学习技术，该方法在不同应用场景下能够将目标训练时间减少50.59%至84.94%，显著降低了重复反演的计算成本。
AI 根据报道生成 · 5 小时前更新
最新进展10月14日 12:00
新研究结合广义PINN与迁移学习反演换热系数，可将目标训练时间缩减超50%至84.94%。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv 机器学习基于广义 PINN 与迁移学习的空间变化换热系数反演估计
基于迁移学习的广义 PINN 方法实现了射流冲击冷却中空间变化对流换热系数的反演估计。在雷诺数 15000 目标下，分段线性与神经网络表征将相对误差从二次 PINN 的 16.76% 分别降至 14.41% 与 14.46%。迁移学习在不同场景下可将目标训练时间减少 50.59%–84.94%，显著降低重复反演的计算成本。
本事件热度走势
当前热度 8·可比范围峰值 9（10月14日 15:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。