論文の概要: Physics-informed Neural Network Combined with Characteristic-Based Split
for Solving Navier-Stokes Equations
- arxiv url: http://arxiv.org/abs/2304.10717v1
- Date: Fri, 21 Apr 2023 03:05:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 16:08:47.349587
- Title: Physics-informed Neural Network Combined with Characteristic-Based Split
for Solving Navier-Stokes Equations
- Title(参考訳): Navier-Stokes方程式の解法に特性ベーススプリットを併用した物理インフォームニューラルネットワーク
- Authors: Shuang Hu and Meiqin Liu and Senlin Zhang and Shanling Dong and
Ronghao Zheng
- Abstract要約: 時間依存型Navier-Stokes方程式(N-S方程式)の解法として,物理インフォームドニューラルネットワーク(PINN)を提案する。
出力パラメータと対応する損失は分離されるので、出力パラメータ間の重みは考慮されない。
N-S方程式は有限要素法と比較して計算境界を持たないため, PINN は N-S 方程式を解くためにより厳密な境界条件を必要とする。
- 参考スコア(独自算出の注目度): 3.019221526077059
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, physics-informed neural network (PINN) based on
characteristic-based split (CBS) is proposed, which can be used to solve the
time-dependent Navier-Stokes equations (N-S equations). In this method, The
output parameters and corresponding losses are separated, so the weights
between output parameters are not considered. Not all partial derivatives
participate in gradient backpropagation, and the remaining terms will be
reused.Therefore, compared with traditional PINN, this method is a rapid
version. Here, labeled data, physical constraints and network outputs are
regarded as priori information, and the residuals of the N-S equations are
regarded as posteriori information. So this method can deal with both
data-driven and data-free problems. As a result, it can solve the special form
of compressible N-S equations -- -Shallow-Water equations, and incompressible
N-S equations. As boundary conditions are known, this method only needs the
flow field information at a certain time to restore the past and future flow
field information. We solve the progress of a solitary wave onto a shelving
beach and the dispersion of the hot water in the flow, which show this method's
potential in the marine engineering. We also use incompressible equations with
exact solutions to prove this method's correctness and universality. We find
that PINN needs more strict boundary conditions to solve the N-S equation,
because it has no computational boundary compared with the finite element
method.
- Abstract(参考訳): 本稿では,特性ベーススプリット(CBS)に基づく物理インフォームドニューラルネットワーク(PINN)を提案し,時間依存型ナビエ・ストークス方程式(N-S方程式)を解く。
本手法では,出力パラメータと対応する損失を分離し,出力パラメータ間の重みを考慮しない。
すべての部分微分が勾配バックプロパゲーションに関与しているわけではなく、残りの項が再利用される。
ここでは、ラベル付きデータ、物理的制約、およびネットワーク出力を事前情報とみなし、N-S方程式の残余を後続情報とみなす。
したがって、この方法はデータ駆動とデータフリーの両方の問題に対処できる。
結果として、圧縮性 n-s 方程式 ---シュロー水方程式と非圧縮性 n-s 方程式の特別な形式を解くことができる。
境界条件が知られているので、この方法は、過去と将来の流れ場情報を復元するために、一定時間にのみフローフィールド情報を必要とする。
本研究では,海浜への単独波の進行と流れ中の湯の分散を解明し,この手法の海洋工学における可能性を示す。
また、この方法の正しさと普遍性を証明するために、正確な解を持つ非圧縮方程式を用いる。
N-S方程式は有限要素法と比較して計算境界を持たないため, PINNはより厳密な境界条件を必要とする。
関連論文リスト
- Domain decomposition-based coupling of physics-informed neural networks
via the Schwarz alternating method [0.0]
物理インフォームドニューラルネットワーク(PINN)は非線形偏微分方程式(PDE)の解を解き、推論するためのデータ駆動型ツールである。
本稿では,従来の数値モデルとPINNを相互に結合する手法として,シュワルツ交互法(Schwarz alternating method)を提案する。
論文 参考訳(メタデータ) (2023-11-01T01:59:28Z) - Learning the solution operator of two-dimensional incompressible
Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。
物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文 参考訳(メタデータ) (2023-08-04T05:09:06Z) - 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) - A PINN Approach to Symbolic Differential Operator Discovery with Sparse
Data [0.0]
本研究では,実験データが少ない状況下で微分作用素の記号的発見を行う。
微分方程式における未知の隠れ項の表現を学習するニューラルネットワークを追加することで、PINNのアプローチを変更する。
このアルゴリズムは微分方程式に対する代理解と隠れた項のブラックボックス表現の両方を与える。
論文 参考訳(メタデータ) (2022-12-09T02:09:37Z) - Physics-Informed Neural Network Method for Parabolic Differential
Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。
ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。
本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文 参考訳(メタデータ) (2022-08-18T05:00:24Z) - Deep Random Vortex Method for Simulation and Inference of Navier-Stokes
Equations [69.5454078868963]
ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。
AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。
本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
論文 参考訳(メタデータ) (2022-06-20T04:58:09Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳(メタデータ) (2022-06-01T18:48:01Z) - 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) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Interval and fuzzy physics-informed neural networks for uncertain fields [0.0]
ファジィ場と間隔場を含む偏微分方程式は伝統的に有限要素法を用いて解かれる。
本研究では、物理インフォームドニューラルネットワーク(PINN)を用いて、間隔とファジィ偏微分方程式を解く。
その結果、間隔物理学インフォームドニューラルネットワーク(iPINN)とファジィ物理インフォームドニューラルネットワーク(fPINN)と呼ばれるネットワーク構造が、有望な結果を示している。
論文 参考訳(メタデータ) (2021-06-18T21:06:42Z) - Extreme Theory of Functional Connections: A Physics-Informed Neural
Network Method for Solving Parametric Differential Equations [0.0]
本稿では、X-TFCと呼ばれるパラメトリック微分方程式(DE)に関わる問題を解くための物理インフォームド手法を提案する。
X-TFCはPINNとDeep-TFCとは異なるが、PINNとDeep-TFCはディープNNを使用し、X-TFCはシングルレイヤーNNまたはより正確にはExtreme Learning Machine, ELMを使用する。
論文 参考訳(メタデータ) (2020-05-15T22:51:04Z)
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。