論文の概要: Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer
- arxiv url: http://arxiv.org/abs/2211.03525v1
- Date: Tue, 25 Oct 2022 07:55:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:54:50.682921
- Title: Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer
- Title(参考訳): 物理インフォームドニューラルネットワークによる汚染帯水層におけるナノ粒子の運動特性のシミュレーション
- Authors: Shikhar Nilabh and Fidel Grandia
- Abstract要約: 工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
- 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: Numerous polluted groundwater sites across the globe require an active
remediation strategy to restore natural environmental conditions and local
ecosystem. The Engineered Nano-particles (ENPs) have emerged as an efficient
reactive agent for the in-situ degradation of groundwater contaminants. While
the performance of these ENPs has been highly promising on the laboratory
scale, their application in real field case conditions is still limited. The
complex transport and retention mechanisms of ENPs hinder the development of an
efficient remediation strategy. Therefore, a predictive tool for understanding
the transport and retention behavior of ENPs is highly required. The existing
tools in the literature are dominated with numerical simulators, which have
limited flexibility and accuracy in the presence of sparse datasets. This work
uses a dynamic, weight-enabled Physics-Informed Neural Network (dw-PINN)
framework to model the nano-particle behavior within an aquifer. The result
from the forward model demonstrates the effective capability of dw-PINN in
accurately predicting the ENPs mobility. The model verification step shows that
the relative mean square error (MSE) of the predicted ENPs concentration using
dw-PINN converges to a minimum value of $1.3{e^{-5}}$. In the subsequent step,
the result from the inverse model estimates the governing parameters of ENPs
mobility with reasonable accuracy. The research demonstrates the tool's
capability to provide predictive insights for developing an efficient
groundwater remediation strategy.
- Abstract(参考訳): 世界中の多くの汚染された地下水地域は、自然環境や生態系を回復するために活発な修復戦略を必要としている。
工業用ナノ粒子 (ENP) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
これらのENPの性能は実験室規模で高い評価を得てきたが、実現場での応用は依然として限られている。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
したがって, ENPの輸送と保持行動を理解するための予測ツールが必要である。
文献中の既存のツールは、スパースデータセットの存在下で柔軟性と正確性に乏しい数値シミュレータに支配されている。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
フォワードモデルから得られた結果は, ENPsモビリティを正確に予測する上で, dw-PINNの有効性を示す。
モデル検証ステップは、dw-pinnを用いた予測されたenps濃度の相対平均二乗誤差(mse)が最小値1.3{e^{-5}}$に収束することを示す。
その後のステップでは、逆モデルによる結果は、適切な精度で ENPsモビリティの制御パラメータを推定する。
この研究は、効率的な地下水浄化戦略を開発するための予測的洞察を提供するツールの能力を示している。
関連論文リスト
- Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-14T23:53:25Z) - Bayesian Physics-Informed Neural Network for the Forward and Inverse
Simulation of Engineered Nano-particles Mobility in a Contaminated Aquifer [0.0]
この研究はB-PINN(Bayesian Physics-Informed Neural Network)フレームワークを用いて、帯水層内のナノ粒子の移動をモデル化する。
次に、逆モデル出力を用いて、小規模帯水層におけるENPsモビリティの制御パラメータを予測する。
論文 参考訳(メタデータ) (2023-08-14T09:32:21Z) - Transport Equation based Physics Informed Neural Network to predict the
Yield Strength of Architected Materials [0.0]
PINNモデルは、提供されたデータセットの過度な適合を避ける能力を示す、例外的な一般化能力を示す。
この研究は、特定の実世界のアプリケーションに対してアクティベーション関数を選択しながら、性能と計算効率のバランスを打つことの重要性を強調している。
論文 参考訳(メタデータ) (2023-07-29T12:42:03Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - 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) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。
本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文 参考訳(メタデータ) (2021-10-26T00:10:57Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳(メタデータ) (2021-06-21T23:42:58Z)
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。