摘要

本文介绍了一种名为TwinLab的框架，用于从模拟数据中高效训练非侵入式降阶模型（ROM），特别适用于数字孪生技术。该框架通过仅使用两个数据集，实现了对神经ODE类型降阶模型的高效且准确的训练。文章详细阐述了如何通过相关性和误差测量来选择最佳的训练数据集，以及如何通过增加第二个训练数据集来减少测试误差。此外，该框架展示了在热食品加工中生成数字孪生的应用案例，并讨论了其在其他领域的潜在应用前景。

原理

TwinLab框架的核心在于其数据驱动的降阶模型（ROM）训练方法，该方法利用神经ODE类型的模型来模拟复杂的多物理过程。神经ODE模型通过解决常微分方程（ODE）来映射输入到输出，其中神经网络作为ODE的右侧操作符。这种方法的先进性在于其能够通过增加自由变量来避免轨迹交叉问题，从而提高模型的学习能力。此外，TwinLab通过设计实验的方法，有效地选择和合成训练数据集，确保了模型的高效性和准确性。

流程

TwinLab的工作流程包括以下几个关键步骤：首先，通过合成激励信号来生成模拟数据集；其次，计算所有数据集的特征，以便于后续的误差分析；然后，通过χ²测试选择代表性的数据集用于ROM测试；接着，使用单个数据集训练ROM，并计算其平均测试误差；之后，通过Pearson相关矩阵分析训练数据集特征与ROM预测误差之间的关系；最后，选择最佳的两个数据集进行最终的ROM训练。整个流程通过自动化工具支持，如COMSOL Multiphysics和ANSYS Fluent的批量模拟接口，以及用于数据处理和用户交互减少的代码。

应用

TwinLab框架不仅在热食品加工领域展示了其应用潜力，还预示着在其他需要精确和高效模拟的领域，如燃料电池优化、增材制造等，有着广泛的应用前景。随着数字孪生技术的发展，TwinLab有望成为推动自主过程控制和优化的新工具，特别是在那些依赖于物理模拟和数据驱动的复杂系统中。