論文の概要: A Physics-Informed Machine Learning Approach for Solving Heat Transfer
Equation in Advanced Manufacturing and Engineering Applications
- arxiv url: http://arxiv.org/abs/2010.02011v1
- Date: Mon, 28 Sep 2020 18:53:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 22:15:21.455318
- Title: A Physics-Informed Machine Learning Approach for Solving Heat Transfer
Equation in Advanced Manufacturing and Engineering Applications
- Title(参考訳): 物理インフォームド機械学習による高度製造・工学応用における伝熱方程式の解法
- Authors: Navid Zobeiry, Keith D. Humfeld
- Abstract要約: 導電性熱伝達偏微分方程式(PDE)を解くために物理インフォームドニューラルネットワークを開発した。
部品をオーブンで加熱する製造や工学の用途で用いられる。
- 参考スコア(独自算出の注目度): 3.04585143845864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A physics-informed neural network is developed to solve conductive heat
transfer partial differential equation (PDE), along with convective heat
transfer PDEs as boundary conditions (BCs), in manufacturing and engineering
applications where parts are heated in ovens. Since convective coefficients are
typically unknown, current analysis approaches based on trial and error finite
element (FE) simulations are slow. The loss function is defined based on errors
to satisfy PDE, BCs and initial condition. An adaptive normalizing scheme is
developed to reduce loss terms simultaneously. In addition, theory of heat
transfer is used for feature engineering. The predictions for 1D and 2D cases
are validated by comparing with FE results. It is shown that using engineered
features, heat transfer beyond the training zone can be predicted. Trained
model allows for fast evaluation of a range of BCs to develop feedback loops,
realizing Industry 4.0 concept of active manufacturing control based on sensor
data.
- Abstract(参考訳): 導電性伝熱偏微分方程式(pde)と対流伝熱方程式(pdes)を境界条件(bcs)として解くために、オーブンで部品を加熱する製造・工学的応用法を開発した。
対流係数は典型的には未知であるため、試行錯誤有限要素(FE)シミュレーションに基づく現在の解析手法は遅い。
損失関数は、PDE、BC、初期条件を満たすエラーに基づいて定義される。
損失項を同時に減少させる適応正規化方式を開発した。
また、熱伝達理論は特徴工学にも用いられる。
1Dおよび2D症例の予測はFE結果との比較により検証した。
工学的特徴を用いて,トレーニングゾーンを越える熱伝達を予測できることが示されている。
トレーニングされたモデルは、センサーデータに基づくアクティブな製造制御という産業用4.0の概念を実現するために、一連のBCの迅速な評価を可能にする。
関連論文リスト
- TCI-Former: Thermal Conduction-Inspired Transformer for Infrared Small
Target Detection [58.00308680221481]
赤外線小目標検出(ISTD)は国家安全保障に重要であり、軍事分野で広く応用されている。
ほとんどの ISTD ネットワークは特徴抽出ブロックや特徴融合モジュールの設計に重点を置いているが、特徴写像の進化の観点から ISTD プロセスを記述することは稀である。
熱伝導理論に基づく熱伝導型変圧器(TCI-Former)を提案する。
論文 参考訳(メタデータ) (2024-02-03T05:51:22Z) - Integration of physics-informed operator learning and finite element
method for parametric learning of partial differential equations [0.0]
本稿では,偏微分方程式の解法として物理インフォームド・ディープラーニング手法を用いる手法を提案する。
その焦点は、相コントラストが顕著である不均一固体中の定常熱方程式である。
提案手法を標準有限要素法と比較し,正確かつ高速な予測法を示す。
論文 参考訳(メタデータ) (2024-01-04T17:01:54Z) - A Posteriori Evaluation of a Physics-Constrained Neural Ordinary
Differential Equations Approach Coupled with CFD Solver for Modeling Stiff
Chemical Kinetics [4.125745341349071]
我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。
これにより、総質量と元素質量が保存されることが保証される。
論文 参考訳(メタデータ) (2023-11-22T22:40:49Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳(メタデータ) (2022-06-01T18:48:01Z) - 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) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳(メタデータ) (2022-02-18T18:07:54Z) - Physics-Informed Neural Operator for Learning Partial Differential
Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。
結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文 参考訳(メタデータ) (2021-11-06T03:41:34Z) - Physics-informed Convolutional Neural Networks for Temperature Field
Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。
ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
論文 参考訳(メタデータ) (2021-09-26T03:24:23Z) - Physics-Informed Neural Network for Modelling the Thermochemical Curing
Process of Composite-Tool Systems During Manufacture [11.252083314920108]
オートクレーブで治療を行うツール上で, 複合材料の熱化学的進化をシミュレートするPINNを提案する。
我々は、PDE、境界、インターフェース、初期条件に対応する損失項に自動的に重みを適応させる手法でPINNを訓練する。
提案したPINNの性能は材料厚と熱境界条件の異なる複数のシナリオで実証された。
論文 参考訳(メタデータ) (2020-11-27T00:56:15Z) - An unsupervised learning approach to solving heat equations on chip
based on Auto Encoder and Image Gradient [0.43512163406551996]
チップ上での熱伝達方程式を解くことは、今後の5GおよびAIチップパッケージシステムにおいて非常に重要になる。
データ駆動方式はデータ飢餓に対処するため,物理情報ニューラルネットワーク(PINN)が提案されている。
本稿では,データを用いずにチップ上での熱伝達方程式を解くための教師なし学習手法について検討する。
論文 参考訳(メタデータ) (2020-07-19T15:01:01Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。