論文の概要: Physics-Informed Deep Learning of Rate-and-State Fault Friction
- arxiv url: http://arxiv.org/abs/2312.09403v1
- Date: Thu, 14 Dec 2023 23:53:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 17:36:51.564875
- Title: Physics-Informed Deep Learning of Rate-and-State Fault Friction
- Title（参考訳）: 速度・状態摩擦の物理モデルによる深層学習
- Authors: Cody Rucker and Brittany A. Erickson
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Direct observations of earthquake nucleation and propagation are few and yet
the next decade will likely see an unprecedented increase in indirect, surface
observations that must be integrated into modeling efforts. Machine learning
(ML) excels in the presence of large data and is an actively growing field in
seismology. However, not all ML methods incorporate rigorous physics, and
purely data-driven models can predict physically unrealistic outcomes due to
observational bias or extrapolation. Our work focuses on the recently emergent
Physics-Informed Neural Network (PINN), which seamlessly integrates data while
ensuring that model outcomes satisfy rigorous physical constraints. In this
work we develop a multi-network PINN for both the forward problem as well as
for direct inversion of nonlinear fault friction parameters, constrained by the
physics of motion in the solid Earth, which have direct implications for
assessing seismic hazard. We present the computational PINN framework for
strike-slip faults in 1D and 2D subject to rate-and-state friction. Initial and
boundary conditions define the data on which the PINN is trained. While the
PINN is capable of approximating the solution to the governing equations to
low-errors, our primary interest lies in the network's capacity to infer
friction parameters during the training loop. We find that the network for the
parameter inversion at the fault performs much better than the network for
material displacements to which it is coupled. Additional training iterations
and model tuning resolves this discrepancy, enabling a robust surrogate model
for solving both forward and inverse problems relevant to seismic faulting.
- Abstract（参考訳）: 地震の核生成と伝播の直接観測は少ないが、今後10年は、モデリングに組み込む必要がある間接的な表面観測が前例のない増加をみせるだろう。
機械学習(ML)は大規模なデータの存在に優れ、地震学において活発に成長している分野である。
しかし、全てのML手法が厳密な物理学を取り入れているわけではなく、純粋にデータ駆動モデルは観測バイアスや外挿による物理的に非現実的な結果を予測することができる。
私たちの研究は、最近出現した物理学的インフォームドニューラルネットワーク(pinn)に焦点を合わせ、モデル結果が厳密な物理的制約を満たすようにデータをシームレスに統合します。
本研究では, 地震危険度評価に直接的な意味を持つ固体地球における運動の物理によって制約される非線形断層摩擦パラメータの直接反転と, 前方問題の両方に対するマルチネットワークPINNを開発する。
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。
初期および境界条件は、PINNが訓練されたデータを定義する。
PINNは、低エラーに対する支配方程式の解を近似することができるが、我々の主な関心は、トレーニングループ中に摩擦パラメータを推測するネットワークの能力にある。
故障時のパラメータ反転のネットワークは,結合した材料変位のネットワークよりもはるかに優れた性能を示すことが判明した。
追加のトレーニングイテレーションとモデルチューニングは、この相違を解消し、地震断層に関する前方および逆問題の両方を解決する頑健な代理モデルを可能にする。
関連論文リスト
- 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 Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。
運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。
結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文 参考訳（メタデータ） (2024-02-28T02:16:03Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - SimPINNs: Simulation-Driven Physics-Informed Neural Networks for
Enhanced Performance in Nonlinear Inverse Problems [0.0]
本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。
目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
論文 参考訳（メタデータ） (2023-09-27T06:34:55Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳（メタデータ） (2022-12-15T11:01:32Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。
本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文 参考訳（メタデータ） (2021-10-26T00:10:57Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳（メタデータ） (2021-09-02T16:06:45Z) - 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) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z)
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。