論文の概要: Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics
- arxiv url: http://arxiv.org/abs/2307.12304v1
- Date: Sun, 23 Jul 2023 12:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 16:50:48.598527
- Title: Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics
- Title（参考訳）: アルゴンガス駆動型溶融プールダイナミクスの物理インフォームド機械学習
- Authors: R. Sharma, W. Grace Guo, M. Raissi, Y.B. Guo
- Abstract要約: 金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。
本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。
データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
- 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: Melt pool dynamics in metal additive manufacturing (AM) is critical to
process stability, microstructure formation, and final properties of the
printed materials. Physics-based simulation including computational fluid
dynamics (CFD) is the dominant approach to predict melt pool dynamics. However,
the physics-based simulation approaches suffer from the inherent issue of very
high computational cost. This paper provides a physics-informed machine
learning (PIML) method by integrating neural networks with the governing
physical laws to predict the melt pool dynamics such as temperature, velocity,
and pressure without using any training data on velocity. This approach avoids
solving the highly non-linear Navier-Stokes equation numerically, which
significantly reduces the computational cost. The difficult-to-determine model
constants of the governing equations of the melt pool can also be inferred
through data-driven discovery. In addition, the physics-informed neural network
(PINN) architecture has been optimized for efficient model training. The
data-efficient PINN model is attributed to the soft penalty by incorporating
governing partial differential equations (PDEs), initial conditions, and
boundary conditions in the PINN model.
- Abstract（参考訳）: 金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。
計算流体力学(CFD)を含む物理シミュレーションは, 溶融プール力学を予測する主要な手法である。
しかし、物理ベースのシミュレーションアプローチは、計算コストが非常に高いという本質的な問題に苦しむ。
本稿では,ニューラルネットワークと制御物理法則を統合し,温度,速度,圧力などの溶融プールのダイナミクスを速度に関するトレーニングデータを用いることなく予測する物理インフォームド機械学習(PIML)手法を提案する。
このアプローチは、非常に非線形なナビエ-ストークス方程式を数値的に解くことを避け、計算コストを大幅に削減する。
溶融プールの制御方程式の決定が難しいモデル定数は、データ駆動による発見によっても推測できる。
さらに、物理インフォームドニューラルネットワーク(PINN)アーキテクチャは、効率的なモデルトレーニングのために最適化されている。
データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
関連論文リスト
- A Posteriori Evaluation of a Physics-Constrained Neural Ordinary
Differential Equations Approach Coupled with CFD Solver for Modeling Stiff
Chemical Kinetics [4.125745341349071]
我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。
これにより、総質量と元素質量が保存されることが保証される。
論文 参考訳（メタデータ） (2023-11-22T22:40:49Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - 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) - Deep Physics Corrector: A physics enhanced deep learning architecture
for solving stochastic differential equations [0.0]
微分方程式(SDE)によって制御される物理系に対する新しいグレーボックスモデリングアルゴリズムを提案する。
提案手法はDeep Physics Corrector(DPC)と呼ばれ、SDEとDeep Neural Network(DNN)で表される近似物理学をブレンドする。
本論文では,本論文の4つのベンチマーク例について,提案したDPCの性能について述べる。
論文 参考訳（メタデータ） (2022-09-20T14:30:07Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-01T23:25:08Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - 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) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳（メタデータ） (2021-04-30T02:14:00Z) - 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。