論文の概要: Reconstructing Rayleigh-Benard flows out of temperature-only measurements using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2301.07769v1
• Date: Wed, 18 Jan 2023 20:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-29 13:57:34.924846
• Title: Reconstructing Rayleigh-Benard flows out of temperature-only measurements using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた温度のみの測定からレイリー・ベナード流の再構成
• Authors: Patricio Clark Di Leoni, Lokahith Agasthya, Michele Buzzicotti, Luca Biferale
• Abstract要約: 温度情報のみを用いて乱流レイリー・ベナード流を復元する物理インフォームニューラルネットワークの機能について検討する。 我々は,古典的方程式情報同化法であるnudgingを用いて得られた結果と比較した。
• 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 investigate the capabilities of Physics-Informed Neural Networks (PINNs) to reconstruct turbulent Rayleigh-Benard flows using only temperature information. We perform a quantitative analysis of the quality of the reconstructions at various amounts of low-passed-filtered information and turbulent intensities. We compare our results with those obtained via nudging, a classical equation-informed data assimilation technique. At low Rayleigh numbers, PINNs are able to reconstruct with high precision, comparable to the one achieved with nudging. At high Rayleigh numbers, PINNs outperform nudging and are able to achieve satisfactory reconstruction of the velocity fields only when data for temperature is provided with high spatial and temporal density. When data becomes sparse, the PINNs performance worsens, not only in a point-to-point error sense but also, and contrary to nudging, in a statistical sense, as can be seen in the probability density functions and energy spectra.
• Abstract（参考訳）: 温度情報のみを用いて乱流レイリー・ベナード流を再構成する物理情報ニューラルネットワーク(PINN)の機能について検討する。 種々の低域通過フィルタ情報と乱流強度において, 復元の質を定量的に解析する。 我々は,古典的方程式情報同化法であるnudgingを用いて得られた結果と比較した。 低レイリー数では、ピンはニュジングで達成されたものと同等の精度で再構築することができる。 高レイリー数の場合、ピンはヌージングよりも優れており、温度のデータが空間密度と時間密度で提供される場合に限り、十分な速度場の再構成が可能となる。 データがスパースになると、ピンズ性能は低下し、ポイントツーポイントのエラーセンスだけでなく、確率密度関数やエネルギースペクトルに見られるような統計的な意味でのナジングにも逆らう。

関連論文リスト

• Continuous Field Reconstruction from Sparse Observations with Implicit Neural Networks [11.139052252214917]
  この研究は、暗黙の神経表現を用いて物理場の連続的な表現を学ぶ新しいアプローチを示す。 実験により,提案手法は最近のINR法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-01-21T22:18:29Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Bayesian Physics Informed Neural Networks for Data Assimilation and Spatio-Temporal Modelling of Wildfires [11.00425904688764]
  我々は、レベルセット関数のゼロレベルセットを通してファイアフロントをモデル化する偏微分方程式であるレベルセット方程式を、PINNを用いて解く。 負荷変数が極端に変化した場合、一般的なコスト関数は、モデル化されたファイアフロントにおける時間的連続性を維持できないことを示す。 我々は, PINN内のデータ同化を行う手法を開発し, モデル化されたPIN予測を火災前兆の観測に向ける。
  論文  参考訳（メタデータ） (2022-12-02T05:00:41Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• 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)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• The use of Convolutional Neural Networks for signal-background classification in Particle Physics experiments [0.4301924025274017]
  広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。 パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
  論文  参考訳（メタデータ） (2020-02-13T19:54:46Z)

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。