[论文解读] Scientific Machine Learning-assisted Model Discovery from Telemetry Data

Sebastian Micluţa-Câmpeanu, Avinash Subramanian+5 more|arXiv (Cornell University)|Mar 16, 2026

Building Energy and Comfort Optimization被引用 0

一句话总结

论文提出 Dyad Model Discovery，一种半自动工作流，通过在物理模型中加入神经网络修正项（UDEs），结合工程师在环决策与符号回归，以提升运输制冷单元货箱的预测准确性。

ABSTRACT

Calibration of dynamic models to data is an important step in building building digital twins of HVAC equipment, thermal loads and control systems. Sometimes, when a model fails to calibrate to data, a possible cause is that the model has made too many sim- plifying assumptions and is missing physics. In this paper we propose a semi-automated approach, called Dyad Model Discovery, that can augment the physical equations of the model with symbolic expressions discovered from the data. We demonstrate this method on a digital twin of a transportation refrigeration unit to improve its predictive performance, trained using telemetry data. An engineer-in-the-loop workflow is proposed, which provides suggestions to the user which can then be accepted or rejected. This is the first AI-assisted engineering design workflow to our knowledge.

研究动机与目标

• 通过在物理方程简化或缺失时，利用数据驱动项来增强动态模型的标定。
• 提供一个工程师在环的工作流以提出、接受或拒绝模型修正。
• 利用通用微分方程（UDEs）、灵敏度分析与符号回归推导可解释的修正。
• 在以遥测数据为基础的运输制冷单元的两区货箱上演示该方法。

提出的方法

• 在现有微分代数方程(DAE)模型中加入神经网络修正项，形成一个通用微分方程（UDE）。
• 训练神经网络以最小化模型输出与遥测数据之间的数据残差。
• 应用输出屏蔽以识别并仅保留最具影响力的修正。
• 进行灵敏度分析以识别有影响的输入并降低输入维度。
• 使用符号回归将神经网络修正替换为符号表达式以提升泛化性。
• 在 Dyad SciML 环境中实现该工作流，包括多种架构与实验跟踪。

Figure 1: Dyad Model Discovery . The user-facing engineer-in-the-loop steps are on the left, while the automated procedures are found on the right. Finally, the engineer has a choice whether to accept or reject the proposed changes from the system.

实验结果

研究问题

• RQ1 基于 UDE 的增强是否能利用遥测数据提升物理驱动的 TRU 货箱模型的预测精度？
• RQ2 输出屏蔽、灵敏度分析与符号回归如何产生紧凑且可解释的修正项？
• RQ3 工程师在环的决策在模型修改接受中扮演何种角色？
• RQ4 该方法对未见配置的多区货箱的泛化能力如何？
• RQ5 在 TRU 数据集上可实现的性能提升（如损失下降）是多少？

主要发现

• Dyad UDE 模型在未见 TRU 配置上的预测性能有所提升，测试数据的损失提升了约 3%。
• 大部分神经网络修正几乎可以忽略，从而将修正减少为 2 输出同时保持精度。
• 符号回归给出了对修正的参数化表达式，依赖于分区-配置参数，有助于泛化。
• 工程师在环工作流允许在各阶段对拟议变更进行用户的接受或拒绝。
• 该方法展示了一条在受控、可审计的方式下，用数据驱动项增强物理模型的路径。

Figure 2: Prediction by a trained Dyad UDE on an unseen dataset, yielding a 3% improvement in the loss function.