論文の概要: Mixed formulation of physics-informed neural networks for
thermo-mechanically coupled systems and heterogeneous domains
- arxiv url: http://arxiv.org/abs/2302.04954v1
- Date: Thu, 9 Feb 2023 21:56:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 17:05:19.260190
- Title: Mixed formulation of physics-informed neural networks for
thermo-mechanically coupled systems and heterogeneous domains
- Title(参考訳): 熱機械結合系と異種領域に対する物理不定形ニューラルネットワークの混合定式化
- Authors: Ali Harandi, Ahmad Moeineddin, Michael Kaliske, Stefanie Reese, Shahed
Rezaei
- Abstract要約: 著者らは、多くの工学的問題に関して、一階微分に基づく損失関数を設計すると、はるかに精度が向上することを示した。
特に, 熱力学的に結合した定常方程式系に着目し, 先端材料の微細構造設計に利用することができる。
- 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: Deep learning methods find a solution to a boundary value problem by defining
loss functions of neural networks based on governing equations, boundary
conditions, and initial conditions. Furthermore, the authors show that when it
comes to many engineering problems, designing the loss functions based on
first-order derivatives results in much better accuracy, especially when there
is heterogeneity and variable jumps in the domain \cite{REZAEI2022PINN}. The
so-called mixed formulation for PINN is applied to basic engineering problems
such as the balance of linear momentum and diffusion problems. In this work,
the proposed mixed formulation is further extended to solve multi-physical
problems. In particular, we focus on a stationary thermo-mechanically coupled
system of equations that can be utilized in designing the microstructure of
advanced materials. First, sequential unsupervised training, and second, fully
coupled unsupervised learning are discussed. The results of each approach are
compared in terms of accuracy and corresponding computational cost. Finally,
the idea of transfer learning is employed by combining data and physics to
address the capability of the network to predict the response of the system for
unseen cases. The outcome of this work will be useful for many other
engineering applications where DL is employed on multiple coupled systems of
equations.
- Abstract(参考訳): 深層学習法は、制御方程式、境界条件、初期条件に基づいてニューラルネットワークの損失関数を定義することで境界値問題の解を見つける。
さらに、多くの工学的問題に関して、一階微分に基づく損失関数を設計すると、特に領域 \cite{REZAEI2022PINN} に不均一性と変数ジャンプが存在する場合、はるかに精度が向上することを示した。
PINNの混合定式化は線形運動量と拡散問題のバランスのような基本的な工学的問題に適用される。
本研究では,多物理問題を解くために混合定式化法をさらに拡張する。
特に, 熱力学的に結合した定常方程式系に着目し, 先端材料の微細構造設計に利用することができる。
第1に,教師なし学習の逐次化,第2に教師なし学習の完全結合について述べる。
各アプローチの結果は、精度と対応する計算コストの観点から比較される。
最後に、転送学習の考え方は、ネットワークの能力に対処するためにデータと物理を組み合わせることで、見えないケースに対するシステムの応答を予測する。
この研究の成果は、dlが複数の連成方程式系で使われる他の多くの工学アプリケーションにとって有用である。
関連論文リスト
- Physics-Informed Generator-Encoder Adversarial Networks with Latent
Space Matching for Stochastic Differential Equations [14.999611448900822]
微分方程式における前方・逆・混合問題に対処するために,新しい物理情報ニューラルネットワークのクラスを提案する。
我々のモデルは、ジェネレータとエンコーダの2つのキーコンポーネントで構成され、どちらも勾配降下によって交互に更新される。
従来の手法とは対照的に、より低次元の潜在特徴空間内で機能する間接マッチングを用いる。
論文 参考訳(メタデータ) (2023-11-03T04:29:49Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳(メタデータ) (2023-02-19T20:33:32Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - 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) - LordNet: Learning to Solve Parametric Partial Differential Equations
without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。
具体的には,低ランク分解ネットワーク(LordNet)を提案する。
Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文 参考訳(メタデータ) (2022-06-19T14:41:08Z) - PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic
differential equations [2.741266294612776]
我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。
PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。
提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
論文 参考訳(メタデータ) (2022-03-21T21:51:19Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳(メタデータ) (2020-09-08T13:26:51Z) - Solving inverse-PDE problems with physics-aware neural networks [0.0]
偏微分方程式の逆問題における未知の場を見つけるための新しい枠組みを提案する。
我々は,ディープニューラルネットワークの高表現性を,既存の数値アルゴリズムの精度と信頼性とを融合した普遍関数推定器とする。
論文 参考訳(メタデータ) (2020-01-10T18:46:50Z)
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。