近期我们针对PINN+LSTM的前沿成果进行了深度整合，从中筛选出13篇很有参考价值的论文，收录了IEEE TII、CMAME、ICRA等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「PLSTM」
免费获取全部论文合集及项目代码
LSTM-PINN for Steady-State Electrothermal Transport: Preserving Multi-Field Consis tency in Strongly Coupled Heat and Fluid Flow
内容：本文针对传统物理信息神经网络在求解稳态电热多物理耦合问题时面临的梯度尺度差异大、残差刚性、易产生非物理解的难题，提出LSTM‑PINN框架，把深度递归记忆门控机制引入网络主干，将空间坐标构造为伪序列输入，依靠LSTM记忆单元在网络深度传播过程中保留长程空间关联，结合自动微分构造包含控制方程残差、边界残差的复合损失函数，基于统一五场偏微分方程模板，在布辛涅斯克电热流动、漂移势约束传输、强浮力耦合对流、Brinkman‑Forchheimer漂移四类算例下，与纯MLP、pLSTM‑PINN、ResAttn‑PINN开展对比，通过定量误差指标与场分布可视化检验模型对陡峭边界层、非线性耗散的求解能力，分析精度与计算开销的权衡关系。
Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines
内容：本文针对航空发动机剩余使用寿命预测任务，在缺少显式已知物理模型的条件下采用物理感知机器学习框架，将传感器时序观测建模为随机微分方程过程，利用K‑means聚类处理单峰与多模态传感器分布，从噪声时序数据中估计各时刻过程的均值与方差函数作为物理代理信息，不采用PINN的损失约束方式，而是将得到的均值、方差作为额外输入特征对数据做增广，结合单层LSTM加两层MLP构建预测模型，在NASA C‑MAPSS数据集的四类工况下开展实验，通过消融实验验证增广信息的作用，以MSE与L1误差评价模型性能，同时该方法还可基于估计得到的时变分布生成物理感知合成传感器数据。
扫描下方二维码，回复「PLSTM」
免费获取全部论文合集及项目代码
PHYSICS-INFORMED MACHINE LEARNING FOR SEISMIC RESPONSE PREDICTION OF NONLINEAR STEEL MOMENT RESISTING FRAME STRUCTURES
内容：本文面向非线性钢抗弯框架结构地震响应预测，构建融合物理先验的PiML元模型，采用模型降阶结合Daubechies小波变换完成时序数据降维与特征提取，以双层LSTM搭配全连接网络作为主干，引入有限差分滤波器求取状态变量导数，将牛顿第二定律对应的运动方程转化为物理残差损失，联合数据损失与状态空间损失共同构成总损失函数用于模型训练，在DesignSafe‑CI的多楼层钢框架数据集上开展实验，采用十折交叉验证策略，选取多种时序评价指标与纯数据驱动LSTM基线开展对比测试，验证该方法在有限训练样本条件下的预测精度、物理一致性与泛化性能。
Physics-Informed Neural Network for Multirotor Slung Load Systems Modeling
内容：本文针对多旋翼吊挂负载系统的动力学多步状态预测问题，采用带Bahdanau注意力机制的LSTM编‑解码器架构，输入系统历史状态与控制量递归输出未来多步状态，引入松弛变量处理未建模动力学，构建包含数据拟合损失、基于系统离散动力学模型的物理正则损失、四元数模长投影约束损失、松弛变量约束损失的复合损失函数开展模型训练，利用运动捕捉平台采集的真实无人机吊挂负载飞行数据集，采用滑动窗口生成样本并划分训练、验证、测试集，将该模型与纯物理解析模型、无物理约束的同类编‑解码器基线模型对比，通过MAE、RMSE评价指标验证该物理信息增强方法在多步时序预测上的精度优势，同时评估了模型在嵌入式设备上的推理耗时。
扫描下方二维码，回复「PLSTM」
免费获取全部论文合集及项目代码
