論文の概要: Inferring micro-bubble dynamics with physics-informed deep learning
- arxiv url: http://arxiv.org/abs/2105.07179v1
- Date: Sat, 15 May 2021 09:17:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:27:10.533061
- Title: Inferring micro-bubble dynamics with physics-informed deep learning
- Title（参考訳）: 物理インフォームド深層学習によるマイクロバブルダイナミクスの推定
- Authors: Hanfeng Zhai, Guohui Hu
- Abstract要約: 多相流シミュレーションは、計算中にスパースメッシュによって引き起こされる可能性のあるコンポーネント損失のために高い精度を必要とします。
深層ニューラルネットワーク(DNN)とサブネットの3つの主要部分を含む,異なる物理分野を予測する新しいディープラーニングフレームワークであるBubbleNetを提案する。
結果は, 絶対予測誤差を推定することで, 物理分野をより正確に予測できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Micro-bubbles and bubbly flows are widely observed and applied to medicine,
involves deformation, rupture, and collision of bubbles, phase mixture, etc. We
study bubble dynamics by setting up two numerical simulation cases: bubbly flow
with a single bubble and multiple bubbles, both confined in the microtube, with
parameters corresponding to their medical backgrounds. Both the cases have
their medical background applications. Multiphase flow simulation requires high
computation accuracy due to possible component losses that may be caused by
sparse meshing during the computation. Hence, data-driven methods can be
adopted as a useful tool. Based on physics-informed neural networks (PINNs), we
propose a novel deep learning framework BubbleNet, which entails three main
parts: deep neural networks (DNN) with sub nets for predicting different
physics fields; the physics-informed part, with the fluid continuum condition
encoded within; the time discretized normalizer (TDN), an algorithm to
normalize field data per time step before training. We apply the traditional
DNN and our BubbleNet to train the simulation data and predict the physics
fields of both the two bubbly flow cases. Results indicate our framework can
predict the physics fields more accurately, estimating the prediction absolute
errors. The proposed network can potentially be applied to many other
engineering fields.
- Abstract（参考訳）: マイクロバブルと気泡流は広く観察され、医学に応用され、変形、破裂、気泡、相混合などの衝突を伴う。
本研究では, マイクロチューブ内に閉じ込められた単一気泡と複数気泡の気泡流と, 医療的背景に応じたパラメーターの2つの数値シミュレーションケースを設置し, 気泡動態について検討した。
どちらの症例にも医学的背景がある。
多相流シミュレーションは、計算中にスパースメッシュによって引き起こされる可能性のあるコンポーネント損失のため、高い計算精度を必要とする。
したがって、データ駆動メソッドは便利なツールとして採用できる。
本稿では,物理インフォームドニューラルネットワーク(PINN)に基づく新しいディープラーニングフレームワークBubbleNetを提案する。このフレームワークは,物理場を予測するためのサブネットを備えたディープニューラルネットワーク(DNN),流体連続体条件を符号化した物理インフォーム部分,時間離散化正規化器(TDN),トレーニング前の時間ステップ毎のフィールドデータを正規化するためのアルゴリズムである。
従来のDNNとBubbleNetを用いてシミュレーションデータをトレーニングし、両方の気泡流の場合の物理場を予測する。
その結果,より正確な物理フィールド予測が可能となり,絶対誤差の予測が可能となった。
提案するネットワークは他の多くの工学分野に適用できる可能性がある。
関連論文リスト
- Multiple Case Physics-Informed Neural Network for Biomedical Tube Flows [0.0]
管状地形の流体力学計算は, 血管および気道の流体力学のバイオメディカル評価に重要である。
物理インフォームドニューラルネットワーク(PINN)は、従来の計算流体力学法に取って代わるものとして登場した。
論文 参考訳（メタデータ） (2023-09-26T22:15:49Z) - BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning [15.681756756338546]
このデータセットは、様々な重力条件、流量、サブ冷却レベル、そして79のシミュレーションを含む壁のスーパーヒートを含む幅広いパラメータをカバーしている。
BubbleMLは、実験的な観察とトレンドに対して検証されており、機械学習(ML)研究の貴重なリソースとして確立されている。
本稿では, (a) 気泡力学を捉えるための光フロー解析と (b) 温度力学を学習するための演算子ネットワークという2つのベンチマークを導入することで, 下流タスクの探索を容易にする可能性を示す。
論文 参考訳（メタデータ） (2023-07-27T04:47:05Z) - Physics-informed Reduced-Order Learning from the First Principles for
Simulation of Quantum Nanostructures [0.0]
大規模ナノ構造では、高次自由度(DoF)のため、広範な計算努力が禁止される可能性がある
本研究は、シュリンガー方程式のシミュレーションのために、第一原理によって実現された低次学習アルゴリズムを用いる。
論文 参考訳（メタデータ） (2023-01-31T21:07:09Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳（メタデータ） (2021-09-04T08:43:19Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳（メタデータ） (2021-04-06T18:29:14Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。
パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文 参考訳（メタデータ） (2020-02-24T21:51:53Z)
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。