[论文解读] TFRD: A Benchmark Dataset for Research on Temperature Field Reconstruction of Heat-Source Systems.

Xiaoqian Chen, Zhiqiang Gong+3 more|arXiv (Cornell University)|Aug 17, 2021

Model Reduction and Neural Networks参考文献 27被引用 5

一句话总结

本文提出了TFRD，一个用于有限监测数据下热源系统（TFR-HSS）中温度场重建的基准数据集。该研究从数学上形式化了问题，生成了在不同热源和边界条件下标准化的训练与测试样本，并对传统方法与深度学习方法进行了评估，为未来的研究建立了基线性能。

ABSTRACT

Heat management plays an important role in engineering. Temperature field reconstruction of heat source systems (TFR-HSS) with limited monitoring tensors, performs an essential role in heat management. However, prior methods with common interpolations usually cannot provide accurate reconstruction. In addition, there exists no public dataset for widely research of reconstruction methods to further boost the field reconstruction in engineering. To overcome this problem, this work construct a specific dataset, namely TFRD, for TFR-HSS task with commonly used methods, including the interpolation methods and the surrogate model based methods, as baselines to advance the research over temperature field reconstruction. First, the TFR-HSS task is mathematically modelled from real-world engineering problem and three types of numerically modellings have been constructed to transform the problem into discrete mapping forms. Besides, this work selects four typical reconstruction problem with different heat source information and boundary conditions and generate the standard samples as training and testing samples for further research. Finally, a comprehensive review of the prior methods for TFR-HSS task as well as recent widely used deep learning methods is given and we provide a performance analysis of typical methods on TFRD, which can be served as the baseline results on this benchmark.

研究动机与目标

• 为解决在有限监测数据条件下，热源系统（TFR-HSS）中温度场重建缺乏公开数据集的问题。
• 开发一个标准化的基准数据集（TFRD），以支持包括插值和代理模型在内的多种重建方法。
• 将真实世界中的TFR-HSS问题数学建模为离散映射任务，以实现一致的评估。
• 在四种不同的重建场景中生成标准化的训练与测试样本，涵盖不同的热源和边界条件。
• 对TFRD上的基线方法进行全面的性能分析，为未来方法开发提供参考。

提出的方法

• 从真实工程系统中数学建模TFR-HSS问题，并通过三种类型的数值建模方法将其转化为离散映射形式。
• 选取四种具有代表性的重建问题，每种在热源配置和边界条件上各不相同，以确保方法论的多样性。
• 从数值模拟中生成标准化的训练与测试样本，以代表真实的热场场景。
• 在TFRD数据集上实现常见的插值方法和基于代理模型的方法作为基线技术。
• 建立全面的评估框架，使用一致的指标比较基线方法之间的性能。
• 通过提供共享基准，使数据集能够支持未来研究，包括深度学习模型，以实现可复现的结果。

实验结果

研究问题

• RQ1 在有限监测数据条件下，传统插值方法与基于代理模型的方法在标准化温度场重建任务中的表现如何？
• RQ2 在TFR-HSS中，不同热源配置和边界条件下的性能差异是什么？
• RQ3 TFRD基准如何实现重建方法的一致且可复现的评估？
• RQ4 在TFRD数据集上，常见和新兴的深度学习方法的基线性能水平如何？
• RQ5 TFRD基准在多大程度上能够加速温度场重建方法的开发与比较？

主要发现

• TFRD基准提供了一个具有多样化热场场景的标准化数据集，支持对重建方法的一致评估。
• 传统插值方法与基于代理模型的方法的性能表现因热源和边界条件配置的不同而有所差异。
• 该数据集支持对经典方法与基于深度学习的方法的评估，为方法比较提供了基础。
• 提供了TFRD上的基线性能结果，为未来的方法开发与基准测试建立了参考点。
• TFRD的可用性有望通过支持可复现和可比较的实验，加速温度场重建领域的研究。