論文の概要: Solving PDEs with Unmeasurable Source Terms Using Coupled Physics-Informed Neural Network with Recurrent Prediction in Soft Sensor Modeling

• arxiv url: http://arxiv.org/abs/2301.08618v2
• Date: Thu, 8 Jun 2023 11:42:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 19:50:05.782283
• Title: Solving PDEs with Unmeasurable Source Terms Using Coupled Physics-Informed Neural Network with Recurrent Prediction in Soft Sensor Modeling
• Title（参考訳）: 物理インフォーメーションニューラルネットワークを用いたソフトセンサモデリングにおけるpdesの再現性予測
• Authors: Aina Wang, Pan Qin, Xi-Ming Sun
• Abstract要約: 産業プロセスにおけるソフトセンサモデリングのための予測戦略(RP)学習戦略(PINNNRP)を提案する。 我々は,CPINNの繰り返し遅延出力である RP によって補正された NetgeneU により,NetU-RP が達成され,ソフトセンサの性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 0.9346127431927981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonhomogeneous partial differential equations (PDEs) are an applicable model in soft sensor modeling for describing spatiotemporal industrial systems with unmeasurable source terms, which cannot be well solved by existing physics-informed neural networks (PINNs). To this end, a coupled PINN (CPINN) with a recurrent prediction (RP) learning strategy (CPINN-RP) is proposed for soft sensor modeling in spatiotemporal industrial processes, such as vibration displacement. First, CPINN containing NetU and NetG is proposed. NetU is used to approximate the solutions to PDEs under study and NetG is used to regularize the training of NetU. The two networks are integrated into a data-physics-hybrid loss function. Then, we theoretically prove that the proposed CPINN has a satisfying approximation capacity to the PDEs solutions. Besides the theoretical aspects, we propose a hierarchical training strategy to optimize and couple the two networks to achieve the parameters of CPINN. Secondly, NetU-RP is achieved by NetU compensated by RP, the recurrently delayed output of CPINN, to further improve the soft sensor performance. Finally, simulations and experiment verify the effectiveness and practical applications of CPINN-RP.
• Abstract（参考訳）: 非均質偏微分方程式 (nonhomogeneous partial differential equation, pdes) は、時空間的産業システムを記述するためのソフトセンサーモデリングの応用モデルであり、既存の物理式ニューラルネットワーク (pinns) ではうまく解決できない。 この目的のために, 繰り返し予測(RP)学習戦略(CPINN-RP)と結合したPINN(CPINN)を, 振動変位などの時空間産業プロセスにおけるソフトセンサモデルとして提案する。 まず、NetUとNetGを含むCPINNを提案する。 NetUは研究中のPDEの解を近似するために使われ、NetGはNetUのトレーニングを規則化するために使用される。 2つのネットワークはデータフィジカルハイブリッド損失関数に統合される。 そして,提案したCPINNがPDEソリューションに満足な近似能力を持つことを理論的に証明する。 理論的側面の他に,CPINNのパラメータを実現するために2つのネットワークを最適化・結合する階層的学習手法を提案する。 次に、cpinnの繰り返し遅延出力であるrpによるnetu補償によりnetu-rpを実現し、ソフトセンサ性能をさらに向上させる。 最後に,CPINN-RPの有効性と実用性をシミュレーションおよび実験により検証した。

関連論文リスト

• RoPINN: Region Optimized Physics-Informed Neural Networks [66.38369833561039]
  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)の解法として広く応用されている。 本稿では,地域最適化としての新たな訓練パラダイムを提案し,理論的に検討する。 実践的なトレーニングアルゴリズムであるRerea Optimized PINN(RoPINN)は、この新しいパラダイムからシームレスに派生している。
  論文  参考訳（メタデータ） (2024-05-23T09:45:57Z)
• Physically Informed Synchronic-adaptive Learning for Industrial Systems Modeling in Heterogeneous Media with Unavailable Time-varying Interface [1.3428344011390778]
  偏微分方程式 (Partial differential equation, PDE) は、一般に複雑な産業システムをモデル化するために用いられる。 既存の物理インフォームドニューラルネットワーク(PINN)は、均質媒質におけるPDEの解法に優れている。 異種メディアにおける産業システムモデリングのためのPDEを解決するために,データ物理ハイブリッド方式,物理情報同期適応学習(PISAL)を提案する。
  論文  参考訳（メタデータ） (2024-01-26T02:48:45Z)
• PDE Discovery for Soft Sensors Using Coupled Physics-Informed Neural Network with Akaike's Information Criterion [0.9346127431927981]
  偏微分方程式 (Partial differential equation, PDE) は、モデル依存型産業プロセスにおけるソフトセンサーの候補である。 微分作用素やソース項を含む適切なPDEを見つけることはギャップを補うことができる。 CPINN-AICは、ソフトセンサーのための適切なPDE構造とニューラルネットワークベースのソリューションを発見するデータ駆動方式である。
  論文  参考訳（メタデータ） (2023-08-11T13:39:21Z)
• Characteristics-Informed Neural Networks for Forward and Inverse Hyperbolic Problems [0.0]
  双曲型PDEを含む前方および逆問題に対する特徴情報ニューラルネットワーク(CINN)を提案する。 CINNは、通常のMSEデータ適合回帰損失をトレーニングした汎用ディープニューラルネットワークにおいて、PDEの特性を符号化する。 予備的な結果は、CINNがベースラインPINNの精度を改善しつつ、トレーニングの約2倍の速さで非物理的解を回避できることを示している。
  論文  参考訳（メタデータ） (2022-12-28T18:38:53Z)
• 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)
• Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
  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)を数値的に解くためのディープラーニングフレームワークを提供する 本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。 本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
  論文  参考訳（メタデータ） (2022-05-18T06:50:44Z)
• 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)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs [8.220908558735884]
  偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。 近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。 本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
  論文  参考訳（メタデータ） (2021-06-26T22:22:19Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。