論文の概要: Bayesian Physics-Informed Neural Network for the Forward and Inverse
Simulation of Engineered Nano-particles Mobility in a Contaminated Aquifer
- arxiv url: http://arxiv.org/abs/2308.07352v1
- Date: Mon, 14 Aug 2023 09:32:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 15:19:37.048648
- Title: Bayesian Physics-Informed Neural Network for the Forward and Inverse
Simulation of Engineered Nano-particles Mobility in a Contaminated Aquifer
- Title（参考訳）: ベイズ物理インフォームドニューラルネットワークによる汚染帯水層におけるナノ粒子移動の前方および逆シミュレーション
- Authors: Shikhar Nilabh and Fidel Grandia
- Abstract要約: この研究はB-PINN(Bayesian Physics-Informed Neural Network)フレームワークを用いて、帯水層内のナノ粒子の移動をモデル化する。
次に、逆モデル出力を用いて、小規模帯水層におけるENPsモビリティの制御パラメータを予測する。
- 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: Globally, there are many polluted groundwater sites that need an active
remediation plan for the restoration of local ecosystem and environment.
Engineered nanoparticles (ENPs) have proven to be an effective reactive agent
for the in-situ degradation of pollutants in groundwater. While the performance
of these ENPs has been highly promising on the laboratory scale, their
application in real field case conditions is still limited. The complex
transport and retention mechanisms of ENPs hinder the development of an
efficient remediation strategy. Therefore, a predictive tool to comprehend the
transport and retention behavior of ENPs is highly required. The existing tools
in the literature are dominated with numerical simulators, which have limited
flexibility and accuracy in the presence of sparse datasets and the aquifer
heterogeneity. This work uses a Bayesian Physics-Informed Neural Network
(B-PINN) framework to model the nano-particles mobility within an aquifer. The
result from the forward model demonstrates the effective capability of B-PINN
in accurately predicting the ENPs mobility and quantifying the uncertainty. The
inverse model output is then used to predict the governing parameters for the
ENPs mobility in a small-scale aquifer. The research demonstrates the
capability of the tool to provide predictive insights for developing an
efficient groundwater remediation strategy.
- Abstract（参考訳）: 世界規模では、地域の生態系と環境の回復のために活発な修復計画を必要とする地下水の汚染地が多数存在する。
工業用ナノ粒子(ENPs)は地下水中の汚染物質のその場分解に有効な反応剤であることが証明されている。
これらのENPの性能は実験室規模で高い評価を得てきたが、実現場での応用は依然として限られている。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
したがって, ENPの輸送と保持行動を理解するための予測ツールが必要である。
文献中の既存のツールは、スパースデータセットと帯水層の不均質性の存在下での柔軟性と正確性に乏しい数値シミュレータに支配されている。
この研究はB-PINN(Bayesian Physics-Informed Neural Network)フレームワークを用いて、帯水層内のナノ粒子移動をモデル化する。
フォワードモデルから得られた結果は, ENPsモビリティを正確に予測し, 不確実性を定量化するB-PINNの有効性を示す。
次に、逆モデル出力を用いて、小規模帯水層におけるENPsモビリティの制御パラメータを予測する。
この研究は、効率的な地下水浄化戦略を開発するための予測的洞察を提供するツールの能力を示している。
関連論文リスト
- Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。
本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
論文 参考訳（メタデータ） (2024-10-24T17:08:20Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - 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) - Transport Equation based Physics Informed Neural Network to predict the
Yield Strength of Architected Materials [0.0]
PINNモデルは、提供されたデータセットの過度な適合を避ける能力を示す、例外的な一般化能力を示す。
この研究は、特定の実世界のアプリケーションに対してアクティベーション関数を選択しながら、性能と計算効率のバランスを打つことの重要性を強調している。
論文 参考訳（メタデータ） (2023-07-29T12:42:03Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
論文 参考訳（メタデータ） (2022-10-25T07:55:20Z) - 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) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - 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) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Modeling nanoconfinement effects using active learning [1.58501955991843]
シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。
本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
論文 参考訳（メタデータ） (2020-05-06T04:01:53Z)
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。