Fugu-MT 論文翻訳(概要): Physics-informed neural networks for solving forward and inverse problems in complex beam systems

論文の概要: Physics-informed neural networks for solving forward and inverse problems in complex beam systems

arxiv url: http://arxiv.org/abs/2303.01055v1
Date: Thu, 2 Mar 2023 08:24:27 GMT
ステータス: 処理完了
システム内更新日: 2023-03-03 15:23:12.046980
Title: Physics-informed neural networks for solving forward and inverse problems in complex beam systems
Title（参考訳）: 複雑なビーム系における前方・逆問題に対する物理情報ニューラルネットワーク
Authors: Taniya Kapoor, Hongrui Wang, Alfredo Nunez, Rolf Dollevoet
Abstract要約: 本稿では,複雑な構造系をシミュレートする物理インフォームドニューラルネットワーク(PINN)を用いた新しいフレームワークを提案する。その結果,PINNは,ビームシステムを含む工学構造や機械の問題を解決する上で有望な戦略であることが示唆された。
参考スコア（独自算出の注目度）: 1.1699472346137738
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a new framework using physics-informed neural networks (PINNs) to simulate complex structural systems that consist of single and double beams based on Euler-Bernoulli and Timoshenko theory, where the double beams are connected with a Winkler foundation. In particular, forward and inverse problems for the Euler-Bernoulli and Timoshenko partial differential equations (PDEs) are solved using nondimensional equations with the physics-informed loss function. Higher-order complex beam PDEs are efficiently solved for forward problems to compute the transverse displacements and cross-sectional rotations with less than 1e-3 percent error. Furthermore, inverse problems are robustly solved to determine the unknown dimensionless model parameters and applied force in the entire space-time domain, even in the case of noisy data. The results suggest that PINNs are a promising strategy for solving problems in engineering structures and machines involving beam systems.
Abstract（参考訳）: 本稿では,2重ビームをウィンクラー基礎と接続するオイラー・ベルヌーリ理論とティモシェンコ理論に基づく1重および2重ビームからなる複雑な構造系をシミュレートする,物理インフォームニューラルネットワーク(pinns)を用いた新しい枠組みを提案する。特に、オイラー・ベルヌーリ方程式とティモシェンコ偏微分方程式 (pdes) の前方および逆問題は、物理学的に変形した損失関数を持つ非次元方程式を用いて解く。高次複素ビームpdesを効率的に解いて、横変位と断面回転を1e〜35%未満の誤差で計算する。さらに、ノイズデータであっても、空間領域全体における未知の次元のないモデルパラメータと適用力を決定するために、逆問題も頑健に解決される。その結果,PINNは,ビームシステムを含む工学構造や機械の問題を解決する上で有望な戦略であることが示唆された。

関連論文リスト

DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、物理学を微分方程式として利用するディープラーニングモデルのクラスである。単一摂動微分方程式を解くために,効率的なウェーブレットベースPINNモデルを提案する。このアーキテクチャにより、トレーニングプロセスはウェーブレット空間内のソリューションを探索することができ、プロセスがより速く、より正確になる。
論文参考訳（メタデータ） (2024-09-18T10:01:37Z)
An efficient hp-Variational PINNs framework for incompressible Navier-Stokes equations [0.0]
物理インフォームドニューラルネットワーク(PINN)は、PDEの残余を損失関数に組み込むことで、偏微分方程式(PDE)を解くことができる。 hp-VPINNは従来のPINNよりも有望だが、複雑なジオメトリを扱えるフレームワークがない。 FastVPINNは、テンソルベースの損失計算を導入し、トレーニング効率を大幅に改善することで、これらの課題に対処するために導入された。
論文参考訳（メタデータ） (2024-09-06T09:17:41Z)
Physics-informed Deep Learning to Solve Three-dimensional Terzaghi Consolidation Equation: Forward and Inverse Problems [19.508087259327716]
本稿では, 複数次元の Terzaghi 統合ケースを迅速に予測する新しい PINN フレームワークを提案する。 PINNの性能を前方問題に適用した従来の数値法と比較検討した。 PINNの3次元シミュレーションの結果から,99%以上の精度を示す結果を得た。
論文参考訳（メタデータ） (2024-01-08T17:25:12Z)
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)
Mixed formulation of physics-informed neural networks for thermo-mechanically coupled systems and heterogeneous domains [0.0]
物理インフォームドニューラルネットワーク(PINN)は境界値問題を解決するための新しいツールである。近年の研究では、多くの工学的問題に対して損失関数を設計する際には、一階微分を使い、強い形式と弱い形式の方程式を組み合わせることにより、はるかに精度が向上することが示されている。本研究では,多物理問題,特に定常熱力学的に結合した方程式系を解くために混合定式化を適用することを提案する。
論文参考訳（メタデータ） (2023-02-09T21:56:59Z)
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)
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 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)
Parallel Physics-Informed Neural Networks with Bidirectional Balance [0.0]
物理インフォームドニューラルネットワーク(PINN)は工学における様々な偏微分方程式(PDE)の解法として広く用いられている。ここでは, 多層構造における熱伝達問題を典型例として挙げる。本稿では,双方向バランスを持つ並列物理インフォームニューラルネットワークを提案する。提案手法は, PINNを解けない問題にし, 優れた解法精度を実現する。
論文参考訳（メタデータ） (2021-11-10T11:13:33Z)
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。