論文の概要: A Deep Learning Approach for Predicting Two-dimensional Soil
Consolidation Using Physics-Informed Neural Networks (PINN)
- arxiv url: http://arxiv.org/abs/2205.05710v1
- Date: Sat, 9 Apr 2022 13:23:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 01:10:10.192745
- Title: A Deep Learning Approach for Predicting Two-dimensional Soil
Consolidation Using Physics-Informed Neural Networks (PINN)
- Title（参考訳）: 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2次元土壌固化予測のための深層学習手法
- Authors: Yue Lu, Gang Mei, Francesco Piccialli
- Abstract要約: 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)を用いた深層学習手法を提案する。
提案手法の有効性をPDEの数値解との比較により検証した。
提案した深層学習手法は, 大規模かつ複雑な多方向土壌統合の解明に有効である。
- 参考スコア（独自算出の注目度）: 11.776961985588
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Soil consolidation is closely related to seepage, stability, and settlement
of geotechnical buildings and foundations, and directly affects the use and
safety of superstructures. Nowadays, the unidirectional consolidation theory of
soils is widely used in certain conditions and approximate calculations. The
multi-directional theory of soil consolidation is more reasonable than the
unidirectional theory in practical applications, but it is much more
complicated in terms of index determination and solution. To address the above
problem, in this paper, we propose a deep learning method using
physics-informed neural networks (PINN) to predict the excess pore water
pressure of two-dimensional soil consolidation. In the proposed method, (1) a
fully connected neural network is constructed, (2) the computational domain,
partial differential equation (PDE), and constraints are defined to generate
data for model training, and (3) the PDE of two-dimensional soil consolidation
and the model of the neural network is connected to reduce the loss of the
model. The effectiveness of the proposed method is verified by comparison with
the numerical solution of PDE for two-dimensional consolidation. Using this
method, the excess pore water pressure could be predicted simply and
efficiently. In addition, the method was applied to predict the soil excess
pore water pressure in the foundation in a real case at Tianjin port, China.
The proposed deep learning approach can be used to investigate the large and
complex multi-directional soil consolidation.
- Abstract（参考訳）: 地盤の固化は、地盤工学的な建物や基礎の浸透、安定性、沈降と密接に関連しており、上層構造物の使用と安全性に直接影響している。
現在、土壌の一方向収束理論は特定の条件や近似計算に広く用いられている。
土壌固化の多方向理論は、実際的な応用における一方向理論よりも妥当であるが、指数決定と解の点でより複雑である。
そこで本論文では,2次元地盤の固化に伴う間隙水圧の予測のために,物理インフォームドニューラルネットワーク(pinn)を用いた深層学習法を提案する。
提案手法では,(1)完全に連結されたニューラルネットワークを構築し,(2)計算領域,偏微分方程式(PDE),および制約を定義してモデルトレーニングのためのデータを生成し,(3)2次元の土壌凝縮のPDEとニューラルネットワークのモデルとを接続してモデルの損失を低減する。
提案手法の有効性をPDEの数値解との比較により検証した。
この手法により, 余剰の細孔水圧を簡便かつ効率的に予測できる。
また,中国天津港の実例において,基礎地における土壌の細孔水圧を推定するために,本手法を適用した。
提案した深層学習手法は, 大規模かつ複雑な多方向土壌統合の研究に利用できる。
関連論文リスト
- Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳（メタデータ） (2023-06-28T18:14:22Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - 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) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳（メタデータ） (2022-02-18T18:07:54Z) - 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) - Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。
DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文 参考訳（メタデータ） (2021-06-14T17:19:44Z) - The mixed deep energy method for resolving concentration features in
finite strain hyperelasticity [0.0]
本研究では, 応力場と変位場の微細な特徴を解決するため, 深部エネルギー法(DEM)の拡張を提案する。
開発フレームワークであるMultiple Deep Energy Method (mDEM)は、NNのさらなる出力としてストレス対策を導入している。
提案手法をより汎用的にするために,delaunay積分に基づく数値積分スキームを導入する。
論文 参考訳（メタデータ） (2021-04-15T22:43:23Z) - Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。
本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
論文 参考訳（メタデータ） (2021-03-29T10:36:25Z) - A Deep Learning approach to Reduced Order Modelling of Parameter
Dependent Partial Differential Equations [0.2148535041822524]
パラメーター対解写像の効率的な近似法として,Deep Neural Networks に基づく構築的アプローチを開発した。
特に, パラメタライズド・アドベクション拡散PDEについて検討し, 強輸送場の存在下で方法論を検証した。
論文 参考訳（メタデータ） (2021-03-10T17:01:42Z) - Linear Convergent Decentralized Optimization with Compression [50.44269451541387]
圧縮を伴う既存の分散アルゴリズムは主にDGD型アルゴリズムの圧縮に焦点を当てている。
原始双対アルゴリズムによって動機付けられた本論文は、最初のアンダーラインLinunderlineEAr収束を提案する。
underline Decentralized with compression, LEAD。
論文 参考訳（メタデータ） (2020-07-01T04:35:00Z) - StressGAN: A Generative Deep Learning Model for 2D Stress Distribution
Prediction [0.27998963147546135]
固体構造における2D von Mises応力分布を予測するための条件生成逆ネットワーク(cGAN)モデルを提案する。
我々は,ベースライン畳み込みニューラルネットワークモデルよりも高精度な応力分布を予測できることを実証した。
論文 参考訳（メタデータ） (2020-05-30T00:28:21Z)
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。