論文の概要: Characterization of partial wetting by CMAS droplets using multiphase many-body dissipative particle dynamics and data-driven discovery based on PINNs

• arxiv url: http://arxiv.org/abs/2307.09142v1
• Date: Tue, 18 Jul 2023 10:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 15:23:41.553943
• Title: Characterization of partial wetting by CMAS droplets using multiphase many-body dissipative particle dynamics and data-driven discovery based on PINNs
• Title（参考訳）: 多相多体散逸粒子動力学とPINNに基づくデータ駆動発見を用いたCMAS液滴による部分湿潤特性評価
• Authors: Elham Kiyani, Mahdi Kooshkbaghi, Khemraj Shukla, Rahul Babu Koneru, Zhen Li, Luis Bravo, Anindya Ghoshal, George Em Karniadakis, and Mikko Karttunen
• Abstract要約: カルシア、マグネシア、アルミナ、ケイ酸塩の混合物であるCMASは、高い粘度、密度、表面張力によって特徴付けられる。 ここでは, 多相多体散逸粒子動力学(mDPD)シミュレーションを用いて, 高融点CMAS液滴の動力学を研究する。
• 参考スコア（独自算出の注目度）: 1.1762713843017176
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The molten sand, a mixture of calcia, magnesia, alumina, and silicate, known as CMAS, is characterized by its high viscosity, density, and surface tension. The unique properties of CMAS make it a challenging material to deal with in high-temperature applications, requiring innovative solutions and materials to prevent its buildup and damage to critical equipment. Here, we use multiphase many-body dissipative particle dynamics (mDPD) simulations to study the wetting dynamics of highly viscous molten CMAS droplets. The simulations are performed in three dimensions, with varying initial droplet sizes and equilibrium contact angles. We propose a coarse parametric ordinary differential equation (ODE) that captures the spreading radius behavior of the CMAS droplets. The ODE parameters are then identified based on the Physics-Informed Neural Network (PINN) framework. Subsequently, the closed form dependency of parameter values found by PINN on the initial radii and contact angles are given using symbolic regression. Finally, we employ Bayesian PINNs (B-PINNs) to assess and quantify the uncertainty associated with the discovered parameters. In brief, this study provides insight into spreading dynamics of CMAS droplets by fusing simple parametric ODE modeling and state-of-the-art machine learning techniques.
• Abstract（参考訳）: cmasとして知られるカルシア、マグネシア、アルミナ、ケイ酸塩の混合物である溶融砂は、高い粘度、密度、表面張力が特徴である。 CMASの独特な性質は、高温の用途で扱うのが困難な材料であり、重要な機器の組み立てや損傷を防ぐために革新的な解決策と材料を必要とする。 本稿では, 多相多体散逸粒子動力学(mDPD)シミュレーションを用いて, 高粘性溶融CMAS液滴の湿潤ダイナミクスについて検討する。 シミュレーションは3次元で行われ、初期液滴の大きさと平衡接触角は異なる。 本研究では, cmas液滴の拡散半径挙動を捉える粗パラメトリック常微分方程式 (ode) を提案する。 ODEパラメータは、Physical-Informed Neural Network (PINN)フレームワークに基づいて識別される。 その後、PINNが初期半径と接触角のパラメータ値の閉形式依存性を記号回帰を用いて与えられる。 最後に,ベイジアンPINN(B-PINN)を用いて,発見パラメータに関連する不確実性を評価し定量化する。 本稿では,単純なパラメトリックODEモデリングと最先端機械学習技術を融合させることにより,CMAS液滴のダイナミクスの拡散に関する知見を提供する。

関連論文リスト

• Auto-weighted Bayesian Physics-Informed Neural Networks and robust estimations for multitask inverse problems in pore-scale imaging of dissolution [0.0]
  細孔画像における新しいデータ同化戦略を提案する。 これにより、不確実性量子化を取り入れた反応性逆問題に頑健に対処できることを実証する。
  論文  参考訳（メタデータ） (2023-08-24T15:39:01Z)
• 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)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Static, dynamic and stability analysis of multi-dimensional functional graded plate with variable thickness using deep neural network [0.0]
  本研究の目的は,多方向機能グレード(FG)プレートの中央偏向,自然周波数,臨界座屈荷重の解析と予測である。 材料特性はプレートの3方向を通してスムーズかつ連続的に変化すると仮定される。
  論文  参考訳（メタデータ） (2023-01-14T11:37:01Z)
• Learning Effective SDEs from Brownian Dynamics Simulations of Colloidal Particles [0.0]
  我々はDiffusion Maps(多様体学習アルゴリズム)を用いて、有用な潜在可観測物の集合を同定する。 得られた変数と学習力学がブラウン力学シミュレーションの物理を正確にエンコードしていることを示す。 我々の次元の減少/還元モデル同定アプローチは、幅広い種類の粒子系力学実験/モデルに容易に移植できる。
  論文  参考訳（メタデータ） (2022-04-30T14:58:25Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)
• Cell division in deep material networks applied to multiscale strain localization modeling [0.0]
  deep material networks(dmn)は、ビルディングブロックに組み込みメカニクスを持つ機械学習モデルである。 ネットワーク上のスケール遷移を追跡するために新しいセル分割スキームが提案され、その一貫性は適合パラメータの物理によって保証される。 細胞中の新たな亀裂表面は凝集層を豊かにすることでモデル化され、亀裂発生と進化のために障害アルゴリズムが開発されている。
  論文  参考訳（メタデータ） (2021-01-18T18:24:51Z)
• Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
  我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
  論文  参考訳（メタデータ） (2020-08-26T20:41:36Z)

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。