論文の概要: Learning Free-Surface Flow with Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2111.09705v1
- Date: Wed, 17 Nov 2021 18:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 15:14:02.332030
- Title: Learning Free-Surface Flow with Physics-Informed Neural Networks
- Title（参考訳）: 物理インフォームドニューラルネットワークによる自由表面流れの学習
- Authors: Raphael Leiteritz, Marcel Hurler, Dirk Pfl\"uger
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。
これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The interface between data-driven learning methods and classical simulation
poses an interesting field offering a multitude of new applications. In this
work, we build on the notion of physics-informed neural networks (PINNs) and
employ them in the area of shallow-water equation (SWE) models. These models
play an important role in modeling and simulating free-surface flow scenarios
such as in flood-wave propagation or tsunami waves. Different formulations of
the PINN residual are compared to each other and multiple optimizations are
being evaluated to speed up the convergence rate. We test these with different
1-D and 2-D experiments and finally demonstrate that regarding a SWE scenario
with varying bathymetry, the method is able to produce competitive results in
comparison to the direct numerical simulation with a total relative $L_2$ error
of $8.9e-3$.
- Abstract（参考訳）: データ駆動学習手法と古典的シミュレーションのインターフェイスは、多くの新しいアプリケーションを提供する興味深い分野である。
本研究では,物理学的不定形ニューラルネットワーク(pinns)の概念を基礎として,浅層水方程式(swe)モデルに適用する。
これらのモデルは、洪水波の伝播や津波波などの自由表面流シナリオのモデル化とシミュレーションにおいて重要な役割を担っている。
PINN残差の異なる定式化を互いに比較し、収束率を高速化するために複数の最適化が評価されている。
異なる1-D, 2-D実験を用いて実験を行い, 様々な入浴量を持つSWEシナリオについて, 相対誤差8.9e-3$の直接数値シミュレーションと比較して, 競合する結果が得られることを示した。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems [1.6494451064539348]
本稿では、数値データや実験データによるデータ駆動事前学習と、ハミルトン駆動最適化の第2段階を含む、ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。
我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
論文 参考訳（メタデータ） (2024-05-31T17:55:27Z) - Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach [0.0]
本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。
LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。
幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
論文 参考訳（メタデータ） (2024-03-24T13:32:42Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - 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) - Transfer Learning with Physics-Informed Neural Networks for Efficient
Simulation of Branched Flows [1.1470070927586016]
物理インフォームドニューラルネットワーク(PINN)は微分方程式を解くための有望なアプローチを提供する。
PINNに対して最近開発されたトランスファー学習アプローチを採用し,マルチヘッドモデルを提案する。
提案手法は,スクラッチからトレーニングした標準PINNと比較して,計算速度が大幅に向上することを示す。
論文 参考訳（メタデータ） (2022-11-01T01:50:00Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z)
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。