論文の概要: Physics-based parameterized neural ordinary differential equations:
prediction of laser ignition in a rocket combustor
- arxiv url: http://arxiv.org/abs/2302.08629v2
- Date: Wed, 3 May 2023 22:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 19:01:48.349268
- Title: Physics-based parameterized neural ordinary differential equations:
prediction of laser ignition in a rocket combustor
- Title（参考訳）: 物理に基づくパラメータ化ニューラル常微分方程式:ロケット燃焼器におけるレーザー点火の予測
- Authors: Yizhou Qian, Jonathan Wang, Quentin Douasbin, Eric Darve
- Abstract要約: モデルロケット燃焼器におけるレーザ点火の低次モデリングのための物理に基づくデータ駆動フレームワークを提案する。
深部ニューラルネットワークは、レーザー点火の高次元パラメータの関数として組み込まれ、0次元フローモデルで様々な用語を予測する。
- 参考スコア（独自算出の注目度）: 2.227105438439618
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present a novel physics-based data-driven framework for
reduced-order modeling of laser ignition in a model rocket combustor based on
parameterized neural ordinary differential equations (PNODE). Deep neural
networks are embedded as functions of high-dimensional parameters of laser
ignition to predict various terms in a 0D flow model including the heat source
function, pre-exponential factors, and activation energy. Using the governing
equations of a 0D flow model, our PNODE needs only a limited number of training
samples and predicts trajectories of various quantities such as temperature,
pressure, and mass fractions of species while satisfying physical constraints.
We validate our physics-based PNODE on solution snapshots of high-fidelity
Computational Fluid Dynamics (CFD) simulations of laser-induced ignition in a
prototype rocket combustor. We compare the performance of our physics-based
PNODE with that of kernel ridge regression and fully connected neural networks.
Our results show that our physics-based PNODE provides solutions with lower
mean absolute errors of average temperature over time, thus improving the
prediction of successful laser ignition with high-dimensional parameters.
- Abstract（参考訳）: 本研究では,パラメータ化ニューラル常微分方程式(PNODE)に基づくモデルロケット燃焼器におけるレーザ点火の低次モデリングのための物理に基づく新しいデータ駆動フレームワークを提案する。
深層ニューラルネットワークはレーザー点火の高次元パラメータの関数として組み込まれ、熱源関数、事前指数因子、活性化エネルギーを含む0次元流れモデルで様々な項を予測する。
我々のPNODEは,0次元フローモデルの計算式を用いて,限られた数のトレーニングサンプルを必要とし,物理的制約を満たすとともに,温度,圧力,質量分数などの様々な量の軌道を予測する。
試作ロケット燃焼器におけるレーザー誘起着火の高忠実度計算流体力学(CFD)シミュレーションの解スナップショットにおける物理ベースPNODEの有効性を検証する。
物理に基づくPNODEの性能とカーネルリッジ回帰と完全連結ニューラルネットワークの性能を比較した。
その結果, 物理ベースのpnodeは, 平均温度の絶対誤差が低い解を提供し, 高次元パラメータによるレーザー点火の予測を改善できることがわかった。
関連論文リスト
- Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - Deep Neural Operator Enabled Digital Twin Modeling for Additive Manufacturing [9.639126204112937]
デジタルツイン(DT)は、現実世界の物理的プロセスの仮想ツインとして振る舞う。
L-PBFプロセスの閉ループフィードバック制御のためのディープ・ニューラル演算子を用いたDTの計算フレームワークを提案する。
開発したDTは、AMプロセスのガイドと高品質製造の促進を目的としている。
論文 参考訳（メタデータ） (2024-05-13T03:53:46Z) - Hybridizing Physics and Neural ODEs for Predicting Plasma Inductance
Dynamics in Tokamak Fusion Reactors [0.0]
我々は、Alcator C-Mod核融合炉のデータに基づいて、物理モデルとニューラルネットワークモデルの両方を訓練する。
物理に基づく方程式をニューラルODEと組み合わせたモデルは、既存の物理動機付きODEと純粋なニューラルODEモデルの両方よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-10-30T23:25:54Z) - Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。
本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。
データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
論文 参考訳（メタデータ） (2023-07-23T12:12:44Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - 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) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric
Photonic Device Simulation [17.295318670037886]
超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域Maxwell PDEのファミリーを学習するために、NeurOLightと呼ばれる物理に依存しないニューラルネットワークフレームワークが提案されている。
我々は、NeurOLightが、未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2桁の高速なシミュレーション速度を示し、予測誤差を54%減らし、パラメータを44%減らして、従来のニューラルネットワークモデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-09-19T21:25:26Z) - 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) - 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) - 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。