論文の概要: Physics-informed neural networks for non-Newtonian fluid thermo-mechanical problems: an application to rubber calendering process

• arxiv url: http://arxiv.org/abs/2201.13389v1
• Date: Mon, 31 Jan 2022 17:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:30:27.231397
• Title: Physics-informed neural networks for non-Newtonian fluid thermo-mechanical problems: an application to rubber calendering process
• Title（参考訳）: 非ニュートン流体熱力学問題に対する物理インフォームニューラルネットワーク : ゴムカレンダ法への応用
• Authors: Thi Nguyen Khoa Nguyen, Thibault Dairay, Rapha\"el Meunier, Mathilde Mougeot
• Abstract要約: 本稿では,ゴムカレンダ法においてよく考慮される非ニュートン流体熱力学問題に対するPINNの適用について述べる。 センサの配置と教師なし点の分布がPINNの性能に及ぼす影響について検討した。 また,センサが計測した計測値から未知の物理パラメータを識別するPINNの能力についても検討した。
• 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: Physics-Informed Neural Networks (PINNs) have gained much attention in various fields of engineering thanks to their capability of incorporating physical laws into the models. However, the assessment of PINNs in industrial applications involving coupling between mechanical and thermal fields is still an active research topic. In this work, we present an application of PINNs to a non-Newtonian fluid thermo-mechanical problem which is often considered in the rubber calendering process. We demonstrate the effectiveness of PINNs when dealing with inverse and ill-posed problems, which are impractical to be solved by classical numerical discretization methods. We study the impact of the placement of the sensors and the distribution of unsupervised points on the performance of PINNs in a problem of inferring hidden physical fields from some partial data. We also investigate the capability of PINNs to identify unknown physical parameters from the measurements captured by sensors. The effect of noisy measurements is also considered throughout this work. The results of this paper demonstrate that in the problem of identification, PINNs can successfully estimate the unknown parameters using only the measurements on the sensors. In ill-posed problems where boundary conditions are not completely defined, even though the placement of the sensors and the distribution of unsupervised points have a great impact on PINNs performance, we show that the algorithm is able to infer the hidden physics from local measurements.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、物理法則をモデルに組み込む能力によって、様々な工学分野において注目を集めている。 しかし、機械分野と熱分野の結合に関する産業応用におけるピンの評価は現在も活発な研究課題である。 本研究では,ゴムカレンダ法においてよく考慮される非ニュートン流体熱力学問題に対するPINNの適用について述べる。 古典的数値離散化法では解けない逆問題や不正問題を扱う場合のPINNの有効性を実証する。 部分的なデータから隠れた物理的場を推定する問題において,センサの配置と教師なし点の分布がPINNの性能に及ぼす影響について検討した。 また,センサによる計測から未知の物理パラメータを識別するPINNの能力についても検討した。 この研究全体ではノイズ測定の効果も考慮されている。 この結果から, PINNはセンサの計測値のみを用いて未知のパラメータを推定できることがわかった。 センサの配置や教師なし点の分布がPINNの性能に大きく影響しているにもかかわらず, 境界条件が完全に定義されていない不適切な問題では, アルゴリズムが局所的な測定から隠れた物理を推測できることを示す。

関連論文リスト

• Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。 しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。 ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
  論文  参考訳（メタデータ） (2024-11-15T08:55:31Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  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)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• PINNfluence: Influence Functions for Physics-Informed Neural Networks [47.27512105490682]
  物理インフォームドニューラルネットワーク(PINN)は、物理科学における偏微分方程式への深層学習の柔軟で有望な応用として登場した。 本稿では,ポストホックのPINNの検証とデバッグに,インフルエンス関数(IF)の適用について検討する。
  論文  参考訳（メタデータ） (2024-09-13T16:23:17Z)
• Uncertainty quantification for noisy inputs-outputs in physics-informed neural networks and neural operators [2.07180164747172]
  ニューラル・ネットワーク(PINN)とニューラル・オペレータ(NOs)におけるノイズ入力出力から生じる不確実性を定量化するベイズ的手法を提案する。 PINNは、損失関数または可能性のいずれにおいても、自動的に微分される物理情報を含むことで物理学を取り入れ、時空間座標を入力とすることが多い。 物理情報のエンコードに使用される場合,本手法はPINNやNOにシームレスに統合可能であることを示す。
  論文  参考訳（メタデータ） (2023-11-19T08:18:26Z)
• Lie Point Symmetry and Physics Informed Networks [59.56218517113066]
  本稿では、損失関数を用いて、PINNモデルが基礎となるPDEを強制しようとするのと同じように、リー点対称性をネットワークに通知するロス関数を提案する。 我々の対称性の損失は、リー群の無限小生成元がPDE解を保存することを保証する。 実験により,PDEのリー点対称性による誘導バイアスはPINNの試料効率を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-11-07T19:07:16Z)
• Correcting model misspecification in physics-informed neural networks (PINNs) [2.07180164747172]
  本稿では,制御方程式の発見のために,PINNにおいて不特定な物理モデルを修正するための一般的な手法を提案する。 我々は、不完全モデルと観測データとの差をモデル化するために、他のディープニューラルネットワーク(DNN)を使用します。 提案手法は, 物理化学的, 生物学的プロセスがよく理解されていない問題における支配方程式の発見に, PINNの応用を拡大すると考えられる。
  論文  参考訳（メタデータ） (2023-10-16T19:25:52Z)
• $\Delta$-PINNs: physics-informed neural networks on complex geometries [2.1485350418225244]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式を含む前方および逆問題の解法において有望であることを示す。 現在までに、問題が解決されている領域のトポロジについて、PINNに知らせる明確な方法はない。 本稿では,Laplace-Beltrami演算子の固有関数に基づくPINNの新たな位置符号化機構を提案する。
  論文  参考訳（メタデータ） (2022-09-08T18:03:19Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
  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(PDE)を数値的に解くためのディープラーニングフレームワークを提供する 本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。 本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
  論文  参考訳（メタデータ） (2022-05-18T06:50:44Z)
• 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)
• 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)

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。