論文の概要: CoolPINNs: A Physics-informed Neural Network Modeling of Active Cooling
in Vascular Systems
- arxiv url: http://arxiv.org/abs/2303.05300v2
- Date: Sun, 14 May 2023 16:33:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 23:06:56.304932
- Title: CoolPINNs: A Physics-informed Neural Network Modeling of Active Cooling
in Vascular Systems
- Title（参考訳）: CoolPINNs: 真空系におけるアクティブ冷却の物理インフォームドニューラルネットワークモデリング
- Authors: N. V. Jagtap, M. K. Mudunuru, and K. B. Nakshatrala
- Abstract要約: 超音速航空機、宇宙探査車、バッテリーなどの新しい技術は、効率的な熱調節のために組込みマイクロ血管内での流体循環に有効である。
欠けているのは、複雑な血管レイアウトにまたがる熱流束の急激なジャンプをキャプチャする正確なフレームワークです。
本稿では,物理インフォームドニューラルネットワーク(PINN)のパワーを活用して,これらの課題に対処する。
- 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: Emerging technologies like hypersonic aircraft, space exploration vehicles,
and batteries avail fluid circulation in embedded microvasculatures for
efficient thermal regulation. Modeling is vital during these engineered
systems' design and operational phases. However, many challenges exist in
developing a modeling framework. What is lacking is an accurate framework that
(i) captures sharp jumps in the thermal flux across complex vasculature
layouts, (ii) deals with oblique derivatives (involving tangential and normal
components), (iii) handles nonlinearity because of radiative heat transfer,
(iv) provides a high-speed forecast for real-time monitoring, and (v)
facilitates robust inverse modeling. This paper addresses these challenges by
availing the power of physics-informed neural networks (PINNs). We develop a
fast, reliable, and accurate Scientific Machine Learning (SciML) framework for
vascular-based thermal regulation -- called CoolPINNs: a PINNs-based modeling
framework for active cooling. The proposed mesh-less framework elegantly
overcomes all the mentioned challenges. The significance of the reported
research is multi-fold. First, the framework is valuable for real-time
monitoring of thermal regulatory systems because of rapid forecasting. Second,
researchers can address complex thermoregulation designs inasmuch as the
approach is mesh-less. Finally, the framework facilitates systematic parameter
identification and inverse modeling studies, perhaps the current framework's
most significant utility.
- Abstract（参考訳）: 超音速航空機、宇宙探査車、バッテリーなどの新興技術は、効率的な熱調節のために組込みマイクロ血管内での流体循環に有効である。
これらのシステムの設計と運用においてモデリングは不可欠である。
しかし、モデリングフレームワークの開発には多くの課題がある。
欠けているのは 正確な枠組みで
(i)複雑な血管配置における熱流束の鋭い跳躍をキャプチャする。
(ii)斜め微分(接成分及び正規成分)を扱う。
(iii)放射熱伝達による非線形性を扱う。
(iv)リアルタイム監視のための高速予測を提供し、
(v)ロバストな逆モデリングを容易にする。
本稿では,物理インフォームドニューラルネットワーク(PINN)のパワーを活用して,これらの課題に対処する。
当社は、血管ベースの熱規制のための高速で信頼性が高く正確なSciML(SciML)フレームワークを開発しています -- CoolPINNsと呼ばれる、アクティブ冷却のためのPINNベースのモデリングフレームワークです。
提案されたメッシュレスフレームワークは、前述のすべての課題をエレガントに克服する。
報告された研究の意義は多岐にわたる。
第一に、このフレームワークは急速な予測のため、熱規制システムのリアルタイム監視に有用である。
第2に、アプローチがメッシュレスであるため、複雑な熱調節設計に対処できる。
最後に、このフレームワークは、システマティックパラメータの識別と、おそらく現在のフレームワークの最も重要なユーティリティである逆モデリング研究を促進する。
関連論文リスト
- Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。
3つの戦略を含む新しい量子化フレームワークを導入する。
このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
論文 参考訳（メタデータ） (2024-07-28T17:46:15Z) - Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。
我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。
PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
論文 参考訳（メタデータ） (2024-07-08T16:38:52Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Interpretable learning of effective dynamics for multiscale systems [5.754251195342313]
iLED(Interpretable Learning Effective Dynamics)の新たな枠組みを提案する。
iLEDは、最先端のリカレントニューラルネットワークベースのアプローチに匹敵する精度を提供する。
その結果、iLEDフレームワークは正確な予測を生成でき、解釈可能なダイナミクスを得ることができることがわかった。
論文 参考訳（メタデータ） (2023-09-11T20:29:38Z) - Evolve Smoothly, Fit Consistently: Learning Smooth Latent Dynamics For
Advection-Dominated Systems [14.553972457854517]
複雑な物理系のサロゲートモデルを学ぶための,データ駆動・時空連続フレームワークを提案する。
ネットワークの表現力と特別に設計された整合性誘導正規化を利用して,低次元かつ滑らかな潜在軌道を得る。
論文 参考訳（メタデータ） (2023-01-25T03:06:03Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Predicting Physics in Mesh-reduced Space with Temporal Attention [15.054026802351146]
本稿では,トランス方式の時間的アテンションモデルを用いて,長期的依存関係をキャプチャする手法を提案する。
本手法は, 複雑な流体力学予測タスクにおいて, 競合するGNNベースラインよりも優れる。
我々のアプローチは、高次元複雑な物理課題の解決に注意に基づくシーケンスモデルの利点をもたらす道を開いたと信じている。
論文 参考訳（メタデータ） (2022-01-22T18:32:54Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Physics Informed Neural Networks for Control Oriented Thermal Modeling
of Buildings [3.1132272756008375]
本稿では,建物の制御指向熱モデル構築のためのデータ駆動型モデリング手法を提案する。
測定データと構築パラメータとともに、これらの建物の熱的挙動を管理する基礎となる物理でニューラルネットワークを符号化する。
論文 参考訳（メタデータ） (2021-11-23T18:27:54Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
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。