論文の概要: Identification of Physical Processes and Unknown Parameters of 3D
Groundwater Contaminant Problems via Theory-guided U-net
- arxiv url: http://arxiv.org/abs/2205.00134v1
- Date: Sat, 30 Apr 2022 02:37:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 13:55:24.901522
- Title: Identification of Physical Processes and Unknown Parameters of 3D
Groundwater Contaminant Problems via Theory-guided U-net
- Title(参考訳): 理論誘導U-netによる3次元地下水汚染問題の物理過程の同定と未知パラメータ
- Authors: Tianhao He, Haibin Chang, Dongxiao Zhang
- Abstract要約: 3次元地下水汚染問題の代理モデルとして理論誘導型U-net(TgU-net)フレームワークを提案する。
3つの吸着型は1つのTgU-netサロゲートによってモデル化される。
正確な予測は、構築されたTgU-netの十分な一般化性と外挿可能性を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Identification of unknown physical processes and parameters of groundwater
contaminant sources is a challenging task due to their ill-posed and non-unique
nature. Numerous works have focused on determining nonlinear physical processes
through model selection methods. However, identifying corresponding nonlinear
systems for different physical phenomena using numerical methods can be
computationally prohibitive. With the advent of machine learning (ML)
algorithms, more efficient surrogate models based on neural networks (NNs) have
been developed in various disciplines. In this work, a theory-guided U-net
(TgU-net) framework is proposed for surrogate modeling of three-dimensional
(3D) groundwater contaminant problems in order to efficiently elucidate their
involved processes and unknown parameters. In TgU-net, the underlying governing
equations are embedded into the loss function of U-net as soft constraints. For
the considered groundwater contaminant problem, sorption is considered to be a
potential process of an uncertain type, and three equilibrium sorption isotherm
types (i.e., linear, Freundlich, and Langmuir) are considered. Different from
traditional approaches in which one model corresponds to one equation, these
three sorption types are modeled through only one TgU-net surrogate. The three
mentioned sorption terms are integrated into one equation by assigning
indicators. Accurate predictions illustrate the satisfactory generalizability
and extrapolability of the constructed TgU-net. Furthermore, based on the
constructed TgU-net surrogate, a data assimilation method is employed to
identify the physical process and parameters simultaneously. This work shows
the possibility of governing equation discovery of physical problems that
contain multiple and even uncertain processes by using deep learning and data
assimilation methods.
- Abstract(参考訳): 地下水汚染源の未知の物理過程とパラメータの同定は、その不適切な性質と非特異性のために難しい課題である。
モデル選択法による非線形物理過程の決定に多くの研究が注がれている。
しかし、数値的手法を用いて異なる物理現象に対する対応する非線形系を特定することは、計算的に禁止される。
機械学習(ML)アルゴリズムの出現により、ニューラルネットワーク(NN)に基づくより効率的な代理モデルが様々な分野で開発されている。
本研究では,3次元地下水汚染問題のモデル化を目的とした理論誘導型U-net(TgU-net)フレームワークを提案する。
TgU-net において、基礎となる支配方程式は、柔らかい制約として U-net の損失関数に埋め込まれる。
地下水汚染問題として, 吸着は不確実なタイプの潜在的過程と見なされ, 3種類の平衡吸着等温式(線形, フルントリッヒ, ラングミュア)が検討されている。
1つのモデルが1つの方程式に対応する従来のアプローチとは異なり、これらの3つの吸着型は1つのTgU-ネットサロゲートによってモデル化される。
上記の3つの吸着項は、指標を割り当てることで1つの方程式に統合される。
正確な予測は、構築されたTgU-netの十分な一般化性と外挿可能性を示している。
さらに、構築されたTgU-netサロゲートに基づいて、物理過程とパラメータを同時に識別するデータ同化法を用いる。
この研究は、深層学習とデータ同化法を用いて、複数の、あるいは不確実なプロセスを含む物理問題の方程式発見を行う可能性を示す。
関連論文リスト
- A Physics-driven GraphSAGE Method for Physical Process Simulations
Described by Partial Differential Equations [2.1217718037013635]
物理駆動型グラフSAGE法は不規則なPDEによって支配される問題を解くために提案される。
距離関連エッジ機能と特徴マッピング戦略は、トレーニングと収束を支援するために考案された。
ガウス特異性ランダム場源によりパラメータ化された熱伝導問題に対するロバストPDEサロゲートモデルの構築に成功した。
論文 参考訳(メタデータ) (2024-03-13T14:25:15Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Neural Lumped Parameter Differential Equations with Application in
Friction-Stir Processing [2.158307833088858]
Lumpedパラメータ法は、空間的拡張または連続的な物理系の進化を単純化することを目的としている。
一般化微分方程式(Universal Differential Equation)の概念に基づいてデータ駆動モデルを構築する。
論文 参考訳(メタデータ) (2023-04-18T15:11:27Z) - Physics-informed Information Field Theory for Modeling Physical Systems
with Uncertainty Quantification [0.0]
情報場理論(IFT)は、必ずしもガウス的ではない分野の統計を行うために必要なツールを提供する。
IFT を物理インフォームド IFT (PIFT) に拡張し,フィールドを記述する物理法則に関する情報を符号化する。
このPIFTから派生した後部は任意の数値スキームとは独立であり、複数のモードをキャプチャすることができる。
本手法は,物理が信頼できないことを正確に認識し,その場合,フィールドの学習を回帰問題として自動的に処理する。
論文 参考訳(メタデータ) (2023-01-18T15:40:19Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - 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) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Solving Partial Differential Equations with Point Source Based on
Physics-Informed Neural Networks [33.18757454787517]
近年では、偏微分方程式(PDE)の解法としてディープラーニング技術が用いられている。
3つの新しい手法でこの問題に対処するための普遍的な解決策を提案する。
提案手法を3つの代表的PDEを用いて評価し,提案手法が既存の深層学習手法よりも精度,効率,汎用性に優れていたことを示す。
論文 参考訳(メタデータ) (2021-11-02T06:39:54Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - 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) - Physics Informed Deep Learning for Transport in Porous Media. Buckley
Leverett Problem [0.0]
貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。
この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。
提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
論文 参考訳(メタデータ) (2020-01-15T08:20:11Z)
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。