本文提出了一种物理引导的机器学习（PGML）框架，用于燃料密度预测，旨在将物理约束和领域知识融入深度学习模型，以提高模型的准确性和稳定性。我们探索了三种深度学习架构——ConvLSTM、适应性傅里叶神经算子（AFNONet）和视频视觉变换器（ViViT），以建模燃料密度的时空演化。
我们的方案在损失函数中引入可微的物理信息项，包括质量守恒的燃料运输项和扩散速率估计。实验结果显示，所提出的PGML框架在多个独立试验中，在准确性和稳定性上均优于没有物理约束的纯数据驱动基线。该框架实现了计算高效且物理合理的火灾预测，为自适应的规定燃烧管理提供支持。
博主点评： 物理引导的深度学习模型在燃料密度预测中的应用，突显了将领域知识与机器学习相结合的潜力。通过引入物理约束，模型的表现显著提升，为未来的火灾管理提供了有效的工具，展示了跨学科研究的巨大价值。