PINN与迁移学习的深度融合，是破解物理信息深度学习小样本泛化差、跨场景建模成本高痛点的核心技术路径，在多工况仿真、跨域偏微分方程求解等任务中进展迅猛。
本文整理了10篇PINN+迁移学习相关的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），搭基线、找改进点、扩实验方向都能直接用上。
长按识别下方二维码，回复【物理迁移】
无偿领全部论文合集及项目代码
Learning Transferable Friction Models and LuGre Identification Via Physics-Informed Neural Networks
基于物理信息神经网络的可迁移摩擦模型学习与LuGre参数辨识
文章内容
提出基于物理信息神经网络的摩擦估计框架，构建可迁移的学习型摩擦模型，支持仿真内嵌与在线估计两种应用模式。以LuGre摩擦模型作为物理约束，设计2输入与3输入两种网络架构，在摆锤系统上验证了模型跨系统迁移性，可复用相同接触环境下的摩擦特性。对比传统参数辨识方法，该框架计算速度更快，仅需最小状态测量即可恢复复杂粘滑行为，适用于多接触、高自由度系统的摩擦建模与补偿。
Mixed data-source transfer learning for a turbulence model augmented physics-informed neural network
面向湍流模型增强型物理信息神经网络的混合数据源迁移学习方法
文章内容
针对实验数据稀疏、含噪导致物理信息神经网络求解精度不足的问题，提出混合数据源迁移学习框架。先在RANS仿真数据上预训练嵌入Spalart-Allmaras湍流模型的PINN，再用子采样PIV实验数据微调，针对NACA 0012翼型15°攻角、两种雷诺数工况验证。结果表明该方法显著提升全流场重构精度，降低训练时长，结合壁面硬约束方案进一步改善了近壁区与压力场的预测效果。
On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach
基于迁移学习物理信息神经网络的电池电化学参数现场估计方法
文章内容
提出两阶段电化学参数现场估计框架，第一阶段基于单粒子模型方程训练无数据依赖的物理信息神经网络，第二阶段冻结网络主体参数，仅微调扩散系数、活性材料体积分数等关键电化学参数。在锂离子电池仿真与实测老化场景验证，可精准估计不同退化程度下的参数，在边缘设备上实现部署，相对精度达3.89%，适用于电池管理系统的在线参数辨识。
↓↓听说在下方一键三连的都Accept了🌝
