論文の概要: PINNs for the Solution of the Hyperbolic Buckley-Leverett Problem with a
Non-convex Flux Function
- arxiv url: http://arxiv.org/abs/2112.14826v1
- Date: Wed, 29 Dec 2021 21:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 15:49:13.164479
- Title: PINNs for the Solution of the Hyperbolic Buckley-Leverett Problem with a
Non-convex Flux Function
- Title(参考訳): 非凸フラックス関数をもつ双曲バックリー・レベレット問題の解に対するピン
- Authors: Waleed Diab and Mohammed Al Kobaisi
- Abstract要約: 2つの不混和性流体の変位は、多孔質媒質における流体流の一般的な問題である。
2つの不混和性流体の変位は、多孔質媒質中の流体流の一般的な問題である。
- 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 displacement of two immiscible fluids is a common problem in fluid flow
in porous media. Such a problem can be posed as a partial differential equation
(PDE) in what is commonly referred to as a Buckley-Leverett (B-L) problem. The
B-L problem is a non-linear hyperbolic conservation law that is known to be
notoriously difficult to solve using traditional numerical methods. Here, we
address the forward hyperbolic B-L problem with a nonconvex flux function using
physics-informed neural networks (PINNs). The contributions of this paper are
twofold. First, we present a PINN approach to solve the hyperbolic B-L problem
by embedding the Oleinik entropy condition into the neural network residual. We
do not use a diffusion term (artificial viscosity) in the residual-loss, but we
rely on the strong form of the PDE. Second, we use the Adam optimizer with
residual-based adaptive refinement (RAR) algorithm to achieve an ultra-low loss
without weighting. Our solution method can accurately capture the shock-front
and produce an accurate overall solution. We report a L2 validation error of 2
x 10-2 and a L2 loss of 1x 10-6. The proposed method does not require any
additional regularization or weighting of losses to obtain such accurate
solution.
- Abstract(参考訳): 2つの非混和性流体の変位は多孔質媒質中の流体の一般的な問題である。
そのような問題は、一般にBuckley-Leverett (B-L) 問題と呼ばれる部分微分方程式(PDE)として表すことができる。
B-L問題は非線形双曲保存法であり、従来の数値法で解くのが難しいことが知られている。
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)を用いた非凸フラックス関数を用いて,前方双曲型B-L問題に対処する。
この論文の貢献は2つある。
まず,オレイニクエントロピー条件をニューラルネットワーク残基に埋め込むことにより,双曲的B-L問題を解決するためのPINN手法を提案する。
残留損失には拡散項(人工粘度)は使用しないが、PDEの強い形式に依存している。
第2に,残差ベース適応改良(rar)アルゴリズムを用いたadamオプティマイザを用いて,重みを伴わずに超低損失を実現する。
提案手法は, 衝撃面を正確に捕捉し, 全体解を正確に生成する。
2 x 10-2 の L2 検証誤差と 1 x 10-6 の L2 損失を報告した。
提案手法では, 正規化や損失の重み付けを必要とせず, 正確な解を得ることができる。
関連論文リスト
- Do Deep Neural Network Solutions Form a Star Domain? [73.66965283134626]
Entezari et al. (2022) は、ニューラルネットワークの解集合が勾配降下(SGD)を介して到達可能であると推測した。
本稿では,与えられた学習課題のスターモデルを求めるスターライトアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-12T13:59:23Z) - Deep Backward and Galerkin Methods for the Finite State Master Equation [12.570464662548787]
本稿では,有限状態平均場ゲームにおけるマスター方程式の解法として,2つのニューラルネットワーク手法を提案し,解析する。
アルゴリズムの損失関数を任意に小さくし、逆に損失が小さい場合、ニューラルネットワークはマスター方程式の解をよく近似する。
論文 参考訳(メタデータ) (2024-03-08T01:12:11Z) - Physics-constrained convolutional neural networks for inverse problems
in spatiotemporal partial differential equations [5.0401589279256065]
偏微分方程式(PDE)における2種類の逆問題を解決するために,物理制約付き畳み込みニューラルネットワーク(PCCNN)を提案する。
乱流のカオス力学を管理する線形非線形対流拡散方程式とナビエ・ストークス方程式の両方を解析する。
我々は,PC-CNNが,時間的でない関数としてパラメータ付けされた様々なバイアスに対する真の解を正しく回復することを発見した。
論文 参考訳(メタデータ) (2024-01-18T13:51:48Z) - Robust Physics Informed Neural Networks [0.21756081703275998]
偏微分方程式 (PDE) を近似するために, 物理情報ニューラルネットワーク (RPINN) の頑健なバージョンを導入する。
我々は2つのラプラス問題と2つの空間次元における1つの対流拡散問題に対してRPINNアルゴリズムを検証した。
論文 参考訳(メタデータ) (2024-01-04T14:42:29Z) - The Implicit Bias of Minima Stability in Multivariate Shallow ReLU
Networks [53.95175206863992]
本研究では,2次損失を持つ1層多変量ReLUネットワークをトレーニングする際に,勾配勾配勾配が収束する解のタイプについて検討する。
我々は、浅いReLUネットワークが普遍近似器であるにもかかわらず、安定した浅層ネットワークは存在しないことを証明した。
論文 参考訳(メタデータ) (2023-06-30T09:17:39Z) - Physics-Informed Neural Network Method for Parabolic Differential
Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。
ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。
本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文 参考訳(メタデータ) (2022-08-18T05:00:24Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Solving PDEs on Unknown Manifolds with Machine Learning [8.220217498103315]
本稿では,未知多様体上の楕円型PDEを解くためのメッシュフリー計算フレームワークと機械学習理論を提案する。
提案したNNソルバは,新しいデータポイント上の一般化とほぼ同一の誤差を持つ新しいデータポイント上でPDEを強固に一般化できることを示す。
論文 参考訳(メタデータ) (2021-06-12T03:55:15Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z) - Approximation Schemes for ReLU Regression [80.33702497406632]
我々はReLU回帰の根本的な問題を考察する。
目的は、未知の分布から引き出された2乗損失に対して、最も適したReLUを出力することである。
論文 参考訳(メタデータ) (2020-05-26T16:26:17Z)
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。