論文の概要: Physics-informed neural networks modeling for systems with moving
immersed boundaries: application to an unsteady flow past a plunging foil
- arxiv url: http://arxiv.org/abs/2306.13395v1
- Date: Fri, 23 Jun 2023 09:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 13:19:05.248926
- Title: Physics-informed neural networks modeling for systems with moving
immersed boundaries: application to an unsteady flow past a plunging foil
- Title（参考訳）: 移動した没入境界を持つ系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:プラグングフォイルを過ぎる非定常流れへの適用
- Authors: Rahul Sundar, Dipanjan Majumdar, Didier Lucor and Sunetra Sarkar
- Abstract要約: 移動体を過ぎる非定常流の代理モデルを構築するために, 没入型境界認識フレームワークが検討されている。
i)移動バウンダリ対応標準Navier-StokesベースPINN(MB-PINN)と(ii)移動バウンダリ対応IBMベースPINN(MB-IBM-PINN)の2種類のPINNが定式化されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, physics informed neural networks (PINNs) have been explored
extensively for solving various forward and inverse problems and facilitating
querying applications in fluid mechanics applications. However, work on PINNs
for unsteady flows past moving bodies, such as flapping wings is scarce.
Earlier studies mostly relied on transferring to a body attached frame of
reference which is restrictive towards handling multiple moving bodies or
deforming structures. Hence, in the present work, an immersed boundary aware
framework has been explored for developing surrogate models for unsteady flows
past moving bodies. Specifically, simultaneous pressure recovery and velocity
reconstruction from Immersed boundary method (IBM) simulation data has been
investigated. While, efficacy of velocity reconstruction has been tested
against the fine resolution IBM data, as a step further, the pressure recovered
was compared with that of an arbitrary Lagrange Eulerian (ALE) based solver.
Under this framework, two PINN variants, (i) a moving-boundary-enabled standard
Navier-Stokes based PINN (MB-PINN), and, (ii) a moving-boundary-enabled IBM
based PINN (MB-IBM-PINN) have been formulated. A fluid-solid partitioning of
the physics losses in MB-IBM-PINN has been allowed, in order to investigate the
effects of solid body points while training. This enables MB-IBM-PINN to match
with the performance of MB-PINN under certain loss weighting conditions.
MB-PINN is found to be superior to MB-IBM-PINN when {\it a priori} knowledge of
the solid body position and velocity are available. To improve the data
efficiency of MB-PINN, a physics based data sampling technique has also been
investigated. It is observed that a suitable combination of physics constraint
relaxation and physics based sampling can achieve a model performance
comparable to the case of using all the data points, under a fixed training
budget.
- Abstract（参考訳）: 近年、物理情報ニューラルネットワーク(PINN)は、様々な前方および逆問題の解決と流体力学応用におけるクエリの容易化のために広く研究されている。
しかし、羽ばたき翼などの移動体を通過する非定常流に対するピンの作業は少ない。
初期の研究は主に、複数の移動体や変形構造を扱うために制限された参照フレームへの移動に依存していた。
そこで本研究では,非定常流れを移動する物体の代理モデルを構築するための境界認識フレームワークについて検討した。
具体的には,Immersed boundary method (IBM) シミュレーションデータから同時に圧力回復と速度再構成を行った。
ibmのデータに対して速度再構成の有効性が検証されてきたが、さらに一歩進めて、回復した圧力を任意のラグランジュオイラー(ale)ベースの解法と比較した。
このフレームワークでは、2つのPINNバージョンがある。
(i)移動バウンダリ対応標準Navier-StokesベースPINN(MB-PINN)及び
(II) 移動バウンダリ対応IBMベースPINN (MB-IBM-PINN) を策定した。
MB-IBM-PINNにおける物理損失の流体-固体分配は, トレーニング中の固体点の影響を調べるために許されている。
これにより、MB-IBM-PINNは、特定の損失重み付け条件下でのMB-PINNの性能と一致させることができる。
MB-PINN は MB-IBM-PINN より優れていることが判明した。
MB-PINNのデータ効率を向上させるため,物理に基づくデータサンプリング手法も検討されている。
物理制約緩和と物理に基づくサンプリングの適切な組み合わせは、固定的なトレーニング予算の下で、すべてのデータポイントを使用する場合に匹敵するモデル性能を達成することができる。
関連論文リスト
- PINNfluence: Influence Functions for Physics-Informed Neural Networks [47.27512105490682]
物理インフォームドニューラルネットワーク(PINN)は、物理科学における偏微分方程式への深層学習の柔軟で有望な応用として登場した。
本稿では,ポストホックのPINNの検証とデバッグに,インフルエンス関数(IF)の適用について検討する。
論文 参考訳（メタデータ） (2024-09-13T16:23:17Z) - Equation identification for fluid flows via physics-informed neural networks [46.29203572184694]
回転流を伴う2次元バーガー方程式のパラメトリックスリープに基づく逆PINNに対する新しいベンチマーク問題を提案する。
本稿では,一階最適化と二階最適化を交互に行う新しい戦略が,パラメータ推定の典型的な一階最適化よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-30T13:17:57Z) - Improved physics-informed neural network in mitigating gradient related failures [11.356695216531328]
物理インフォームドニューラルネットワーク(PINN)は、高度なデータ駆動技術で基本的な物理原理を統合する。
PINNは勾配流の剛性に悩まされ、予測能力が制限される。
本稿では,勾配関連障害を軽減するために改良されたPINNを提案する。
論文 参考訳（メタデータ） (2024-07-28T07:58:10Z) - Collocation-based Robust Variational Physics-Informed Neural Networks (CRVPINN) [0.0]
物理インフォームドニューラルネットワーク(PINN)は部分微分方程式(PDE)の解法として成功している
Robust Variational Physics-Informed Neural Networks (RVPINNs) の最近の研究は、基礎となる連続空間のノルムを離散レベルに便利に翻訳することの重要性を強調している。
本研究ではRVPINNの実装を加速し、元のPINNと同じ精神を持つ点配置方式でスパースグラム行列のLU分解を確立する。
論文 参考訳（メタデータ） (2024-01-04T14:42:29Z) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-14T23:53:25Z) - SupeRBNN: Randomized Binary Neural Network Using Adiabatic
Superconductor Josephson Devices [44.440915387556544]
AQFPデバイスはバイナリニューラルネットワーク(BNN)計算の優れたキャリアとして機能する。
本稿では,AQFPに基づくランダム化BNNアクセラレーションフレームワークSupeRBNNを提案する。
本稿では,ReRAMベースのBNNフレームワークのエネルギー効率を約7.8×104倍に向上することを示す。
論文 参考訳（メタデータ） (2023-09-21T16:14:42Z) - 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) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - How to Avoid Trivial Solutions in Physics-Informed Neural Networks [0.0]
本研究では,物理に基づくペナルティ項の強制に使用されるコロケーション点数に関して,PINNの予測性能について検討する。
PINNは、定義によって物理由来のペナルティ項を満たす自明な解を学習し、失敗する可能性があることを示す。
我々は,データスカース設定におけるPINNの根本的問題と競合する結果に対処するための代替的なサンプリング手法と新たなペナルティ項を開発した。
論文 参考訳（メタデータ） (2021-12-10T15:54:54Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - Physics-informed deep learning for incompressible laminar flows [13.084113582897965]
流体力学のための物理インフォームドニューラルネットワーク(PINN)の混合可変方式を提案する。
パラメトリック研究では、混合変数スキームがPINNのトレーニング容易性と解の精度を向上させることが示されている。
論文 参考訳（メタデータ） (2020-02-24T21:51:53Z)
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。