Fugu-MT 論文翻訳(概要): Learning Unknown Physics of non-Newtonian Fluids

論文の概要: Learning Unknown Physics of non-Newtonian Fluids

arxiv url: http://arxiv.org/abs/2009.01658v1
Date: Wed, 26 Aug 2020 20:41:36 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 22:29:58.776272
Title: Learning Unknown Physics of non-Newtonian Fluids
Title（参考訳）: 非ニュートン流体の未知物理を学ぶ
Authors: Brandon Reyes, Amanda A. Howard, Paris Perdikaris, Alexandre M. Tartakovsky
Abstract要約: 我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
参考スコア（独自算出の注目度）: 56.9557910899739
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We extend the physics-informed neural network (PINN) method to learn viscosity models of two non-Newtonian systems (polymer melts and suspensions of particles) using only velocity measurements. The PINN-inferred viscosity models agree with the empirical models for shear rates with large absolute values but deviate for shear rates near zero where the analytical models have an unphysical singularity. Once a viscosity model is learned, we use the PINN method to solve the momentum conservation equation for non-Newtonian fluid flow using only the boundary conditions.
Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)法を拡張し,速度測定のみを用いて非ニュートン系の粘度モデル(高分子溶融および粒子懸濁液)を学習する。 pinn-inferred viscosityモデルは、絶対値が大きいが、解析モデルが非物理的特異性を持つゼロ付近のせん断速度に逸脱するせん断速度に関する経験モデルと一致する。粘度モデルが学習されると、PINN法を用いて境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。

関連論文リスト

Physics-guided weak-form discovery of reduced-order models for trapped ultracold hydrodynamics [0.0]
極性分子の高衝突・超低温・非退化ガスの緩和について検討した。気体は流体ガスと流体ガスが結合し、一階の流体力学が崩壊する。我々は,これらの観測値に対して,大幅に改良された低次モデルを提案する。
論文参考訳（メタデータ） (2024-06-11T17:50:04Z)
Discovering Artificial Viscosity Models for Discontinuous Galerkin Approximation of Conservation Laws using Physics-Informed Machine Learning [0.0]
人工粘度モデルの発見を自動化する物理インフォームド機械学習アルゴリズムを提案する。このアルゴリズムは強化学習にインスパイアされ、細胞ごとに作用するニューラルネットワークを訓練する。このアルゴリズムは,最先端のルンゲ・クッタ不連続ガレルキン解法に組み込むことで有効であることを示す。
論文参考訳（メタデータ） (2024-02-26T11:58:02Z)
Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文参考訳（メタデータ） (2023-04-27T17:42:24Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
A Physics-Informed Neural Network to Model Port Channels [0.09830751917335563]
PINNモデルは、物理システムとデータ駆動機械学習モデルの知識を組み合わせることを目的としている。まず,従来のシミュレーション手法では実現不可能な周期的な流れを仮定するために,本モデルの設計を行う。第2に、計算コストがほぼゼロに近いトレーニング中に関数評価点を再サンプリングする利点を評価する。
論文参考訳（メタデータ） (2022-12-20T22:53:19Z)
Data-driven modeling of Landau damping by physics-informed neural networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文参考訳（メタデータ） (2022-11-02T10:33:38Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文参考訳（メタデータ） (2021-08-18T09:00:24Z)
Machine learning based non-Newtonian fluid model with molecular fidelity [17.93540781757586]
連続的な非ニュートン流体力学モデルを構築するための機械学習に基づくフレームワークを提案する。ダンベルポリマー溶液は本質的なアイデアを示す例として用いられる。
論文参考訳（メタデータ） (2020-03-07T22:24:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。