論文の概要: An accelerated hybrid data-driven/model-based approach for
poroelasticity problems with multi-fidelity multi-physics data
- arxiv url: http://arxiv.org/abs/2012.00165v1
- Date: Mon, 30 Nov 2020 23:36:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 15:33:27.473892
- Title: An accelerated hybrid data-driven/model-based approach for
poroelasticity problems with multi-fidelity multi-physics data
- Title(参考訳): マルチフィジィマルチフィジカルデータを用いたポロ弾性問題に対するハイブリッドデータ駆動/モデルベースアプローチの高速化
- Authors: Bahador Bahmani, WaiChing Sun
- Abstract要約: 本稿では,多孔性問題を解決するためのハイブリッドモデル/モデルフリーなデータ駆動手法を提案する。
固体弾性と液圧応答の相違に対処するために, ハイブリッドモデルを導入する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a hybrid model/model-free data-driven approach to solve
poroelasticity problems. Extending the data-driven modeling framework
originated from Kirchdoerfer and Ortiz (2016), we introduce one model-free and
two hybrid model-based/data-driven formulations capable of simulating the
coupled diffusion-deformation of fluid-infiltrating porous media with different
amounts of available data. To improve the efficiency of the model-free data
search, we introduce a distance-minimized algorithm accelerated by a
k-dimensional tree search. To handle the different fidelities of the solid
elasticity and fluid hydraulic constitutive responses, we introduce a
hybridized model in which either the solid and the fluid solver can switch from
a model-based to a model-free approach depending on the availability and the
properties of the data. Numerical experiments are designed to verify the
implementation and compare the performance of the proposed model to other
alternatives.
- Abstract(参考訳): 本稿では,多弾性問題を解くためのハイブリッドモデル/モデルフリーデータ駆動手法を提案する。
kirchdoerfer と ortiz (2016) を起源とするデータ駆動型モデリングフレームワークを拡張し,多孔質多孔質媒体の混合拡散変形を異なるデータ量でシミュレート可能な,モデルフリーと2つのハイブリッドモデルベース/データ駆動型定式法を提案する。
モデルフリーデータ探索の効率を向上させるため,k次元木探索により高速化された距離最小化アルゴリズムを提案する。
固体弾性と流体構成応答の異なるフィダリティを扱うために, 固体と流体ソルバのいずれでも, 可用性と特性に応じてモデルベースからモデルフリーアプローチに切り替えることができるハイブリダライズモデルを提案する。
数値実験は,提案モデルの実装を検証し,他の代替モデルと比較するために設計されている。
関連論文リスト
- A Priori Uncertainty Quantification of Reacting Turbulence Closure
Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳(メタデータ) (2024-02-28T22:19:55Z) - CoCoGen: Physically-Consistent and Conditioned Score-based Generative
Models for Forward and Inverse Problems [1.2277343096128712]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。
基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。
各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文 参考訳(メタデータ) (2023-12-16T19:56:10Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - 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) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳(メタデータ) (2022-12-19T20:46:43Z) - Differentiable physics-enabled closure modeling for Burgers' turbulence [0.0]
本稿では、既知の物理と機械学習を組み合わせて乱流問題に対するクロージャモデルを開発する微分可能な物理パラダイムを用いたアプローチについて論じる。
我々は、モデルの有効性をテストするために、後方損失関数上の様々な物理仮定を組み込んだ一連のモデルを訓練する。
既知物理あるいは既存の閉包アプローチを含む偏微分方程式の形で帰納バイアスを持つ制約モデルが、非常にデータ効率が高く、正確で、一般化可能なモデルを生成することを発見した。
論文 参考訳(メタデータ) (2022-09-23T14:38:01Z) - Stability Preserving Data-driven Models With Latent Dynamics [0.0]
本稿では,潜在変数を用いた動的問題に対するデータ駆動型モデリング手法を提案する。
本稿では,結合力学の安定性を容易に適用できるモデルフレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-20T00:41:10Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Variational Mixture of Normalizing Flows [0.0]
生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。
正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。
本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
論文 参考訳(メタデータ) (2020-09-01T17:20:08Z)
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。