論文の概要: Temperature Field Inversion of Heat-Source Systems via Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2201.06880v1
• Date: Tue, 18 Jan 2022 11:21:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 17:12:39.144925
• Title: Temperature Field Inversion of Heat-Source Systems via 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熱源系の温度場インバージョン
• Authors: Xu Liu, Wei Peng, Zhiqiang Gong, Weien Zhou, Wen Yao
• Abstract要約: 物理インフォームドニューラルネットワークを用いた温度場インバージョン法(PINN-TFI)を開発し,TFI-HSS課題を解決する。 その結果, PINN-TFI法では, ノイズ観測が再現性能に大きく影響していることが判明した。 その結果,PINN-TFI法は予測精度を大幅に向上できることがわかった。
• 参考スコア（独自算出の注目度）: 8.411748914327916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temperature field inversion of heat-source systems (TFI-HSS) with limited observations is essential to monitor the system health. Although some methods such as interpolation have been proposed to solve TFI-HSS, those existing methods ignore correlations between data constraints and physics constraints, causing the low precision. In this work, we develop a physics-informed neural network-based temperature field inversion (PINN-TFI) method to solve the TFI-HSS task and a coefficient matrix condition number based position selection of observations (CMCN-PSO) method to select optima positions of noise observations. For the TFI-HSS task, the PINN-TFI method encodes constrain terms into the loss function, thus the task is transformed into an optimization problem of minimizing the loss function. In addition, we have found that noise observations significantly affect reconstruction performances of the PINN-TFI method. To alleviate the effect of noise observations, the CMCN-PSO method is proposed to find optimal positions, where the condition number of observations is used to evaluate positions. The results demonstrate that the PINN-TFI method can significantly improve prediction precisions and the CMCN-PSO method can find good positions to acquire a more robust temperature field.
• Abstract（参考訳）: 熱源系(tfi-hss)の温度場インバージョンはシステムの健全性を監視するのに不可欠である。 TFI-HSSを解くために補間などの手法が提案されているが、既存の手法ではデータ制約と物理制約の相関を無視しており、精度は低い。 本研究では,TFI-HSSタスクを解く物理インフォームドニューラルネットワークを用いた温度場インバージョン法(PINN-TFI)と,CMCN-PSO法を用いてノイズ観測の最適位置を選択する係数行列条件数に基づく位置選択法(CMCN-PSO)を開発する。 TFI-HSSタスクに対して、PINN-TFI法は損失関数に制約項を符号化し、損失関数を最小化する最適化問題に変換する。 さらに, PINN-TFI法では, ノイズ観測が再現性能に著しく影響を及ぼすことがわかった。 ノイズ観測の影響を軽減するため,CMCN-PSO法を提案し,観測条件数を用いて位置を評価する。 その結果, PINN-TFI法は予測精度を大幅に向上し, CMCN-PSO法はより堅牢な温度場を得るのに優れた位置を見出すことができた。

関連論文リスト

• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Fixed-budget online adaptive mesh learning for physics-informed neural networks. Towards parameterized problem inference [0.0]
  本稿では,PDE 残差の局所最大値と局所最小値に基づくコロケーションポイントのトレーニングのための固定予算オンライン適応メッシュ学習(FBOAML)手法を提案する。 FBOAMLは、高次位置を識別でき、古典的なPINNよりも物理分野の予測が優れている。
  論文  参考訳（メタデータ） (2022-12-22T15:12:29Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
  本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。 提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。 大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
  論文  参考訳（メタデータ） (2022-11-02T14:35:13Z)
• Failure-informed adaptive sampling for PINNs [5.723850818203907]
  物理学インフォームドニューラルネットワーク(PINN)は、幅広い領域でPDEを解決する効果的な手法として登場した。 しかし、最近の研究では、異なるサンプリング手順でPINNの性能が劇的に変化することが示されている。 本稿では,信頼度分析の視点から,故障インフォームドPINNという適応的手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T13:34:41Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Robust Learning of Physics Informed Neural Networks [2.86989372262348]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。 本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
  論文  参考訳（メタデータ） (2021-10-26T00:10:57Z)
• Supervised Learning and the Finite-Temperature String Method for Computing Committor Functions and Reaction Rates [0.0]
  希少事象の計算研究における中心的な対象はコミッタ関数である。 アルゴリズムの精度を改善するために追加の修正が必要であることを示す。
  論文  参考訳（メタデータ） (2021-07-28T17:44:00Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)

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。