Fugu-MT 論文翻訳(概要): Transient Stability Analysis with Physics-Informed Neural Networks

論文の概要: Transient Stability Analysis with Physics-Informed Neural Networks

arxiv url: http://arxiv.org/abs/2106.13638v1
Date: Fri, 25 Jun 2021 13:42:09 GMT
ステータス: 処理完了
システム内更新日: 2021-06-28 12:52:35.406261
Title: Transient Stability Analysis with Physics-Informed Neural Networks
Title（参考訳）: 物理形ニューラルネットワークによる過渡安定性解析
Authors: Jochen Stiasny, Georgios S. Misyris, Spyros Chatzivasileiadis
Abstract要約: 電力系統を支配する通常の微分方程式を解くことは、過渡安定解析において不可欠である。伝統的に、この手法は計算上のかなりの負担を負うか、モデルの単純化を必要とするか、過度に保守的なサロゲートモデルを使用するかのいずれかである。本稿では,物理インフォームドニューラルネットワークがこの問題に取り組み,その利点と課題について考察する。
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: Solving the ordinary differential equations that govern the power system is an indispensable part in transient stability analysis. However, the traditionally applied methods either carry a significant computational burden, require model simplifications, or use overly conservative surrogate models. Neural networks can circumvent these limitations but are faced with high demands on the used datasets. Furthermore, they are agnostic to the underlying governing equations. Physics-informed neural network tackle this problem and we explore their advantages and challenges in this paper. We illustrate the findings on the Kundur two-area system and highlight possible pathways forward in developing this method further.
Abstract（参考訳）: 電力系統を支配する通常の微分方程式を解くことは、過渡安定解析において不可欠である。しかし、伝統的に適用される手法は、計算量に大きな負担を負うか、モデルの単純化を必要とするか、保守的なサロゲートモデルを使うかのどちらかである。ニューラルネットワークは、これらの制限を回避できるが、使用するデータセットに対する高い要求に直面している。さらに、それらは下層の支配方程式に無関係である。物理インフォームドニューラルネットワークはこの問題に対処し,その利点と課題について考察する。 Kundur two-area systemの知見を概説し,本手法のさらなる発展に向けての道筋を明らかにする。

関連論文リスト

Can physical information aid the generalization ability of Neural Networks for hydraulic modeling? [0.0]
河川水理学へのニューラルネットワークの適用は、データ不足に苦しむ分野にもかかわらず、未熟である。本稿では,トレーニングフェーズに物理情報を導入することで,そのような問題を緩和することを提案する。このようなソフトな物理情報を組み込むことで予測能力を向上できることを示す。
論文参考訳（メタデータ） (2024-03-13T14:51:16Z)
A Stable and Scalable Method for Solving Initial Value PDEs with Neural Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文参考訳（メタデータ） (2023-04-28T17:28:18Z)
Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
論文参考訳（メタデータ） (2023-03-15T23:53:32Z)
An Analysis of Physics-Informed Neural Networks [0.0]
我々は物理システム – 物理インフォームドニューラルネットワーク – に対する解を近似する新しいアプローチを提案する。人工ニューラルネットワークの概念を導入し、目的関数を定義し、最適化戦略について議論する。偏微分方程式は、問題の損失関数の制約として含まれ、ネットワークがモデリングしている物理系の力学の知識にアクセスできる。
論文参考訳（メタデータ） (2023-03-06T04:45:53Z)
On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
To be or not to be stable, that is the question: understanding neural networks for inverse problems [0.0]
本稿では,ニューラルネットワークの安定性と精度のトレードオフを理論的に解析する。ネットワークの安定性を高め、良好な精度を維持するために、異なる教師付きおよび教師なしのソリューションを提案する。
論文参考訳（メタデータ） (2022-11-24T16:16:40Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
Gradient-Enhanced Physics-Informed Neural Networks for Power Systems Operational Support [36.96271320953622]
本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
論文参考訳（メタデータ） (2022-06-21T17:56:55Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)

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。