論文の概要: Inverse modeling of nonisothermal multiphase poromechanics using
physics-informed neural networks
- arxiv url: http://arxiv.org/abs/2209.03276v1
- Date: Wed, 7 Sep 2022 16:28:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 13:12:25.114934
- Title: Inverse modeling of nonisothermal multiphase poromechanics using
physics-informed neural networks
- Title（参考訳）: 物理形ニューラルネットワークを用いた非等温多相ポロメカニクスの逆モデリング
- Authors: Danial Amini, Ehsan Haghighat, Ruben Juanes
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)を用いた熱-水-機械プロセスにおけるパラメータ同定のための解法を提案する。
我々は、逆問題に特に適したTHM支配方程式の次元のない形式を採用し、先行研究で開発したシーケンシャル多物理PINNソルバを利用する。
提案した逐次PINN-THM逆解器の優れた性能を報告し、複素非線形多物理問題の逆モデリングにPINNを適用する方法について述べる。
- 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: We propose a solution strategy for parameter identification in multiphase
thermo-hydro-mechanical (THM) processes in porous media using physics-informed
neural networks (PINNs). We employ a dimensionless form of the THM governing
equations that is particularly well suited for the inverse problem, and we
leverage the sequential multiphysics PINN solver we developed in previous work.
We validate the proposed inverse-modeling approach on multiple benchmark
problems, including Terzaghi's isothermal consolidation problem, Barry-Mercer's
isothermal injection-production problem, and nonisothermal consolidation of an
unsaturated soil layer. We report the excellent performance of the proposed
sequential PINN-THM inverse solver, thus paving the way for the application of
PINNs to inverse modeling of complex nonlinear multiphysics problems.
- 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)を用いた多相熱水機械(THM)プロセスにおけるパラメータ同定手法を提案する。
我々は, 逆問題に特に適するthm制御方程式の次元のない形式を採用し, 先行研究で開発した逐次多次ピン解法を活用した。
本稿では,Terzaghiの等温凝縮問題,Barry-Mercerの等温注入発生問題,不飽和土壌層の非等温凝縮問題など,複数のベンチマーク問題に対する逆モデリング手法を検証した。
提案した逐次PINN-THM逆解器の優れた性能を報告し、複素非線形多物理問題の逆モデリングにPINNを適用する方法について述べる。
関連論文リスト
- Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。
NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。
キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
論文 参考訳（メタデータ） (2024-07-30T22:01:14Z) - Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。
我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文 参考訳（メタデータ） (2024-06-05T17:59:22Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Maximum-likelihood Estimators in Physics-Informed Neural Networks for
High-dimensional Inverse Problems [0.0]
物理インフォームドニューラルネットワーク(PINN)は、逆常微分方程式(ODE)と偏微分方程式(PDE)を解くのに適した数学的足場を証明した。
本研究では,逆PINNを最大自由度推定器(MLE)でフレーム化して,テイラー展開による物理モデル空間への明示的な誤差伝搬を可能にすることを実証する。
論文 参考訳（メタデータ） (2023-04-12T17:15:07Z) - 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 to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳（メタデータ） (2022-06-01T18:48:01Z) - Physics-informed neural network solution of thermo-hydro-mechanical
(THM) processes in porous media [0.0]
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)によって記述される問題の前方・逆・代理モデリングへの関心が高まっている。
本稿では,多孔質媒体における熱力学的プロセスに関わる問題の前方解へのPINNの適用について検討する。
さらに、PINNは最適化問題の多目的性という課題に直面している。
論文 参考訳（メタデータ） (2022-03-03T04:55:47Z) - Physics-informed neural network simulation of multiphase poroelasticity
using stress-split sequential training [0.0]
本稿では、弾性ネットワークに基づく偏微分方程式(PDE)に支配される問題を解くための枠組みを提案する。
この手法は, ポロシ, バリ・シエの注入-生産問題, および2相排水問題の解法に収束する。
論文 参考訳（メタデータ） (2021-10-06T20:09:09Z)
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。