Fugu-MT 論文翻訳(概要): A Physics-Informed Neural Network to Model Port Channels

論文の概要: A Physics-Informed Neural Network to Model Port Channels

arxiv url: http://arxiv.org/abs/2212.10681v1
Date: Tue, 20 Dec 2022 22:53:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 15:51:08.277195
Title: A Physics-Informed Neural Network to Model Port Channels
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ポートチャネルのモデル化
Authors: Marlon S. Mathias, Marcel R. de Barros, Jefferson F. Coelho, Lucas P. de Freitas, Felipe M. Moreno, Caio F. D. Netto, Fabio G. Cozman, Anna H. R. Costa, Eduardo A. Tannuri, Edson S. Gomi, Marcelo Dottori
Abstract要約: PINNモデルは、物理システムとデータ駆動機械学習モデルの知識を組み合わせることを目的としている。まず,従来のシミュレーション手法では実現不可能な周期的な流れを仮定するために,本モデルの設計を行う。第2に、計算コストがほぼゼロに近いトレーニング中に関数評価点を再サンプリングする利点を評価する。
参考スコア（独自算出の注目度）: 0.09830751917335563
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We describe a Physics-Informed Neural Network (PINN) that simulates the flow induced by the astronomical tide in a synthetic port channel, with dimensions based on the Santos - S\~ao Vicente - Bertioga Estuarine System. PINN models aim to combine the knowledge of physical systems and data-driven machine learning models. This is done by training a neural network to minimize the residuals of the governing equations in sample points. In this work, our flow is governed by the Navier-Stokes equations with some approximations. There are two main novelties in this paper. First, we design our model to assume that the flow is periodic in time, which is not feasible in conventional simulation methods. Second, we evaluate the benefit of resampling the function evaluation points during training, which has a near zero computational cost and has been verified to improve the final model, especially for small batch sizes. Finally, we discuss some limitations of the approximations used in the Navier-Stokes equations regarding the modeling of turbulence and how it interacts with PINNs.
Abstract（参考訳）: 本研究では,サントス - S\~ao Vicente - Bertioga Estuarine System に基づいて,合成ポートチャネル内の天文学的な潮の流れをシミュレートする物理情報ニューラルネットワーク (PINN) について述べる。 pinnモデルの目的は、物理システムとデータ駆動機械学習モデルの知識を組み合わせることだ。これは、ニューラルネットワークをトレーニングして、サンプルポイントにおける支配方程式の残余を最小限にする。この研究において、我々の流れはいくつかの近似を持つナビエ・ストークス方程式によって支配される。この論文には2つの主要な小説がある。まず, 流れが周期的であり, 従来のシミュレーション手法では実現できないことを仮定して, モデルを設計する。第2に、計算コストがほぼゼロであり、特に小規模バッチサイズにおいて最終モデルを改善するために検証された訓練中の関数評価点の再サンプリングの利点を評価する。最後に,Navier-Stokes方程式における乱流のモデル化とPINNとの相互作用に関する近似の制限について論じる。

関連論文リスト

Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
論文参考訳（メタデータ） (2024-10-05T10:32:51Z)
Neural Networks-based Random Vortex Methods for Modelling Incompressible Flows [0.0]
本稿では,(2D)非圧縮性ナビエ-ストークス方程式に対する解を近似するためのニューラルネットワークに基づく新しい手法を提案する。このアルゴリズムは、ランダム渦力学の計算効率の良い定式化を利用する損失関数に基づいて、渦を近似する物理インフォームドニューラルネットワークを用いている。
論文参考訳（メタデータ） (2024-05-22T14:36:23Z)
Learning Generic Solutions for Multiphase Transport in Porous Media via the Flux Functions Operator [0.0]
DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
論文参考訳（メタデータ） (2023-07-03T21:10:30Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
論文参考訳（メタデータ） (2021-11-17T18:45:55Z)
Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-29T07:46:54Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)
Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文参考訳（メタデータ） (2020-02-24T21:51:53Z)

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。