論文の概要: FlamePINN-1D: Physics-informed neural networks to solve forward and inverse problems of 1D laminar flames

• arxiv url: http://arxiv.org/abs/2406.09071v1
• Date: Fri, 7 Jun 2024 07:57:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 18:05:18.490979
• Title: FlamePINN-1D: Physics-informed neural networks to solve forward and inverse problems of 1D laminar flames
• Title（参考訳）: FlamePINN-1D:物理インフォームドニューラルネットワークによる1次元ラミナ火炎の前・逆問題の解法
• Authors: Jiahao Wu, Su Zhang, Yuxin Wu, Guihua Zhang, Xin Li, Hai Zhang,
• Abstract要約: The FlamePINN-1D framework is proposed to solve the forward and inverse problem of 1D laminar flames based on Physics-informed neural network。 従来の手法と比較して、FlamePINN-1Dは微分可能でメッシュフリーであり、離散化エラーがなく、逆問題に対して実装が容易である。
• 参考スコア（独自算出の注目度）: 9.316036663091765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the existence of various forward and inverse problems in combustion studies and applications that necessitate distinct methods for resolution, a framework to solve them in a unified way is critically needed. A promising approach is the integration of machine learning methods with governing equations of combustion systems, which exhibits superior generality and few-shot learning ability compared to purely data-driven methods. In this work, the FlamePINN-1D framework is proposed to solve the forward and inverse problems of 1D laminar flames based on physics-informed neural networks. Three cases with increasing complexity have been tested: Case 1 are freely-propagating premixed (FPP) flames with simplified physical models, while Case 2 and Case 3 are FPP and counterflow premixed (CFP) flames with detailed models, respectively. For forward problems, FlamePINN-1D aims to solve the flame fields and infer the unknown eigenvalues (such as laminar flame speeds) under the constraints of governing equations and boundary conditions. For inverse problems, FlamePINN-1D aims to reconstruct the continuous fields and infer the unknown parameters (such as transport and chemical kinetics parameters) from noisy sparse observations of the flame. Our results strongly validate these capabilities of FlamePINN-1D across various flames and working conditions. Compared to traditional methods, FlamePINN-1D is differentiable and mesh-free, exhibits no discretization errors, and is easier to implement for inverse problems. The inverse problem results also indicate the possibility of optimizing chemical mechanisms from measurements of laboratory 1D flames. Furthermore, some proposed strategies, such as hard constraints and thin-layer normalization, are proven to be essential for the robust learning of FlamePINN-1D. The code for this paper is partially available at https://github.com/CAME-THU/FlamePINN-1D.
• Abstract（参考訳）: 異なる解法を必要とする燃焼研究や応用における様々な前方および逆問題の存在を考えると、それらを統一的に解くための枠組みが不可欠である。 有望なアプローチは、純粋にデータ駆動の手法と比較して、汎用性と少ショットの学習能力に優れた機械学習手法と燃焼システムの方程式を統合することである。 本研究では,物理インフォームドニューラルネットワークに基づく1次元層火炎の前方および逆問題を解決するためにFlamePINN-1Dフレームワークを提案する。 ケース1は簡易な物理モデルで,ケース2とケース3はFPP,カウンタフロー予混合(CFP)は詳細なモデルで,ケース1は自由伝搬予混合(FPP)火炎である。 前方問題として、FlamePINN-1Dは火炎場を解くことを目的としており、支配方程式と境界条件の制約の下で未知の固有値(層火炎速度など)を推論することを目的としている。 逆問題に対して、FlamePINN-1Dは連続体を再構成し、未知のパラメータ(輸送パラメータや化学動力学パラメータなど)をノイズの多いスパース観測から推測することを目的としている。 その結果,FlamePINN-1Dの様々な火炎および作業条件における性能を強く検証した。 従来の手法と比較して、FlamePINN-1Dは微分可能でメッシュフリーであり、離散化エラーがなく、逆問題に対して実装が容易である。 また, 逆問題の結果から, 実験室1次元火炎測定による化学機構の最適化の可能性も示唆された。 さらに、FlamePINN-1Dの堅牢な学習には、ハード制約や薄層正規化といったいくつかの戦略が不可欠であることが証明されている。 本論文のコードはhttps://github.com/CAME-THU/FlamePINN-1Dで部分的に公開されている。

関連論文リスト

• Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation [0.0]
  特異な摂動問題には、数値的に解くのが難しい急な境界層を持つ解が存在する。 有限差分法のような従来の数値法は、安定かつ正確な解を得るために洗練されたメッシュを必要とする。 我々は,物理インフォームドニューラルネットワーク(PINN)を用いて特異摂動問題の数値解を生成することを検討する。
  論文  参考訳（メタデータ） (2024-09-12T00:24:21Z)
• Finite Operator Learning: Bridging Neural Operators and Numerical Methods for Efficient Parametric Solution and Optimization of PDEs [0.0]
  本稿では,ニューラルネットワーク,物理情報処理機械学習,およびPDEを解くための標準的な数値法を組み合わせた手法を提案する。 データのない方法で偏微分方程式をパラメトリックに解き、正確な感度を与えることができる。 本研究では, 不均一材料中の定常熱方程式に着目した。
  論文  参考訳（メタデータ） (2024-07-04T21:23:12Z)
• Score-fPINN: Fractional Score-Based Physics-Informed Neural Networks for High-Dimensional Fokker-Planck-Levy Equations [24.86574584293979]
  非ブラウン過程のモデリングにおいて、Fokker-Planck-L'evy(FPL)方程式の高次元解法を提案する。 分数点関数と物理インフォームドニューラルネットワーク(PINN)を用いて,次元性(CoD)の呪いを解き放ち,指数関数的に崩壊する解からの数値オーバーフローを軽減する。
  論文  参考訳（メタデータ） (2024-06-17T15:57:23Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• A mixed formulation for physics-informed neural networks as a potential solver for engineering problems in heterogeneous domains: comparison with finite element method [0.0]
  物理インフォームドニューラルネットワーク(PINN)は、与えられた境界値問題の解を見つけることができる。 工学的問題における既存のPINNの性能を高めるために,有限要素法(FEM)からいくつかのアイデアを取り入れた。
  論文  参考訳（メタデータ） (2022-06-27T08:18:08Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Numerical Approximation in CFD Problems Using Physics Informed Machine Learning [0.0]
  この論文は、幅広いCFD問題に普遍的に使用できる代替近似法を見つけるための様々な手法に焦点を当てている。 その焦点は、微分方程式を計算データによるトレーニングなしで解くことができるような、物理情報に基づく機械学習技術に留まっている。 極端な学習機械(ELM)は、チューナブルパラメーターを犠牲にして非常に高速なニューラルネットワークアルゴリズムである。
  論文  参考訳（メタデータ） (2021-11-01T22:54:51Z)
• 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)
• Learning Manifold Implicitly via Explicit Heat-Kernel Learning [63.354671267760516]
  そこで,本研究では,熱カーネルを学習することで,多様体情報を暗黙的に取得する,暗黙的多様体学習の概念を提案する。 学習した熱カーネルは、データ生成のための深層生成モデル(DGM)やベイズ推論のためのスタイン変分勾配Descentなど、さまざまなカーネルベースの機械学習モデルに適用することができる。
  論文  参考訳（メタデータ） (2020-10-05T03:39:58Z)

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。