論文の概要: Physics-informed neural networks for inverse problems in supersonic
flows
- arxiv url: http://arxiv.org/abs/2202.11821v1
- Date: Wed, 23 Feb 2022 23:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-26 07:27:51.916954
- Title: Physics-informed neural networks for inverse problems in supersonic
flows
- Title(参考訳): 超音速流れの逆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
- Authors: Ameya D. Jagtap, Zhiping Mao, Nikolaus Adams, and George Em
Karniadakis
- Abstract要約: 本研究では,2次元膨張波,2次元斜め波,弓衝撃波の逆問題について考察する。
我々は、物理インフォームドニューラルネットワーク(PINN)とその拡張バージョンである拡張XPINNを用いて、各サブドメインにローカルに強力なニューラルネットワークを配置することができる。
PINN と XPINN で得られた解を比較し, 2 つの手法の一般化誤差を決定するための理論的結果を導出する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate solutions to inverse supersonic compressible flow problems are often
required for designing specialized aerospace vehicles. In particular, we
consider the problem where we have data available for density gradients from
Schlieren photography as well as data at the inflow and part of wall
boundaries. These inverse problems are notoriously difficult and traditional
methods may not be adequate to solve such ill-posed inverse problems. To this
end, we employ the physics-informed neural networks (PINNs) and its extended
version, extended PINNs (XPINNs), where domain decomposition allows deploying
locally powerful neural networks in each subdomain, which can provide
additional expressivity in subdomains, where a complex solution is expected.
Apart from the governing compressible Euler equations, we also enforce the
entropy conditions in order to obtain viscosity solutions. Moreover, we enforce
positivity conditions on density and pressure. We consider inverse problems
involving two-dimensional expansion waves, two-dimensional oblique and bow
shock waves. We compare solutions obtained by PINNs and XPINNs and invoke some
theoretical results that can be used to decide on the generalization errors of
the two methods.
- Abstract(参考訳): 逆超音速圧縮性流れ問題に対する正確な解法は、特殊航空機の設計にしばしば必要とされる。
特に、シュリーレン写真から得られる密度勾配のデータと、流入流と壁面境界の一部のデータがある問題を考える。
これらの逆問題は非常に困難であり、従来の手法ではそのような不適切な逆問題を解決するには不十分である。
この目的のために、我々は、物理インフォームドニューラルネットワーク(PINN)とその拡張バージョンである拡張PINN(XPINN)を採用し、ドメイン分解により各サブドメインに局所的に強力なニューラルネットワークを配置することができ、複雑な解が期待されるサブドメインにさらなる表現性を提供できる。
制御可能なオイラー方程式とは別に、我々は粘性解を得るためにエントロピー条件を強制する。
さらに, 密度と圧力に肯定的な条件を課す。
二次元膨張波, 2次元斜め波, 弓衝撃波を含む逆問題を考える。
PINN と XPINN で得られた解を比較し, 2 つの手法の一般化誤差を決定するための理論的結果を導出する。
関連論文リスト
- Operator Learning Enhanced Physics-informed Neural Networks for Solving
Partial Differential Equations Characterized by Sharp Solutions [10.999971808508437]
そこで我々は,OL-PINN(Operator Learning Enhanced Physics-informed Neural Networks)と呼ばれる新しいフレームワークを提案する。
提案手法は, 強い一般化能力を実現するために, 少数の残差点しか必要としない。
精度を大幅に向上すると同時に、堅牢なトレーニングプロセスも保証する。
論文 参考訳(メタデータ) (2023-10-30T14:47:55Z) - 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) - HomPINNs: homotopy physics-informed neural networks for solving the
inverse problems of nonlinear differential equations with multiple solutions [6.89453634946458]
非線形微分方程式(DE)の逆問題を解決するためにホモトピー物理情報ニューラルネットワーク(HomPINN)を提案する。
提案するフレームワークは、DEC制約を順守しながら、さまざまなソリューションにわたるラベルなしの観測を同時に近似するためにNNを使うことから始まる。
提案手法はスケーラブルで適応可能であり,複数の解と未知パラメータを用いたDESの解法として有効であることを示す。
論文 参考訳(メタデータ) (2023-04-06T01:20:23Z) - 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) - A mixed formulation for physics-informed neural networks as a potential
solver for engineering problems in heterogeneous domains: comparison with
finite element method [0.0]
物理インフォームドニューラルネットワーク(PINN)は、与えられた境界値問題の解を見つけることができる。
工学的問題における既存のPINNの性能を高めるために,有限要素法(FEM)からいくつかのアイデアを取り入れた。
論文 参考訳(メタデータ) (2022-06-27T08:18:08Z) - Lagrangian PINNs: A causality-conforming solution to failure modes of
physics-informed neural networks [5.8010446129208155]
物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワークを利用して偏微分方程式(PDE)に制約された最適化問題の解を求める。
境界条件が厳格に強制された場合でも,トレーニングの課題は継続することを示す。
PDEインフォームド・ソリューションとして,ラグランジアン・フレーム(LPINN)上でのPINNの再構成を提案する。
論文 参考訳(メタデータ) (2022-05-05T19:48:05Z) - Parallel Physics-Informed Neural Networks with Bidirectional Balance [0.0]
物理インフォームドニューラルネットワーク(PINN)は工学における様々な偏微分方程式(PDE)の解法として広く用いられている。
ここでは, 多層構造における熱伝達問題を典型例として挙げる。
本稿では,双方向バランスを持つ並列物理インフォームニューラルネットワークを提案する。
提案手法は, PINNを解けない問題にし, 優れた解法精度を実現する。
論文 参考訳(メタデータ) (2021-11-10T11:13:33Z) - 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) - Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。
一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文 参考訳(メタデータ) (2021-04-06T18:29:14Z) - 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) - Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。
正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。
高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
論文 参考訳(メタデータ) (2020-02-25T23:05:33Z)
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。