論文の概要: Operator learning regularization for macroscopic permeability prediction in dual-scale flow problem
- arxiv url: http://arxiv.org/abs/2412.00579v1
- Date: Sat, 30 Nov 2024 20:37:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:40:39.353292
- Title: Operator learning regularization for macroscopic permeability prediction in dual-scale flow problem
- Title(参考訳): 双対流問題におけるマクロ透水率予測のための演算子学習規則化
- Authors: Christina Runkel, Sinan Xiao, Nicolas Boullé, Yang Chen,
- Abstract要約: 液体複合成形は、そのコスト効率のために繊維強化複合材料の重要な製造技術である。
このプロセスの最適化には、織物の主な特徴である透水性の理解が欠如しているため、課題がある。
- 参考スコア(独自算出の注目度): 8.595941597306608
- License:
- Abstract: Liquid composites moulding is an important manufacturing technology for fibre reinforced composites, due to its cost-effectiveness. Challenges lie in the optimisation of the process due to the lack of understanding of key characteristic of textile fabrics - permeability. The problem of computing the permeability coefficient can be modelled as the well-known Stokes-Brinkman equation, which introduces a heterogeneous parameter $\beta$ distinguishing macropore regions and fibre-bundle regions. In the present work, we train a Fourier neural operator to learn the nonlinear map from the heterogeneous coefficient $\beta$ to the velocity field $u$, and recover the corresponding macroscopic permeability $K$. This is a challenging inverse problem since both the input and output fields span several order of magnitudes, we introduce different regularization techniques for the loss function and perform a quantitative comparison between them.
- Abstract(参考訳): 液体複合成形は、そのコスト効率のために繊維強化複合材料の重要な製造技術である。
このプロセスの最適化には、織物の主な特徴である透水性の理解が欠如しているため、課題がある。
透水係数の計算問題は、よく知られたストークス・ブリンクマン方程式としてモデル化することができ、マクロ細孔領域とファイバーバンドル領域を区別する異種パラメータ$\beta$を導入している。
本研究では、フーリエニューラル作用素を用いて、不均一係数$\beta$から速度場$u$への非線形写像を学習し、対応するマクロ透過性$K$を復元する。
これは、入力フィールドと出力フィールドの両方が数桁のスケールにまたがるため、難解な逆問題であり、損失関数に対して異なる正規化手法を導入し、それらの比較を定量的に行う。
関連論文リスト
- Thermodynamically-Informed Iterative Neural Operators for Heterogeneous Elastic Localization [0.0]
本研究では,不均一な材料構造上の局所的弾性変形場の予測という,計算力学における正準問題に焦点をあてる。
熱力学的インフォームド・イテレーティブ・ニューラル演算子を用いた係数対解写像のハイブリッド近似を構築した。
幅広いケーススタディを通じて、効率、正確性、柔軟性の観点からこれらの設計選択の利点を解明する。
論文 参考訳(メタデータ) (2024-11-10T17:11:49Z) - Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。
マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2024-05-22T15:40:05Z) - Solving multiphysics-based inverse problems with learned surrogates and
constraints [1.4747234049753455]
マルチモーダルなタイムラプスデータは、数値をシミュレートするために収集とコストがかかる。
計算的に安価に学習されたサロゲートと学習制約を組み合わせることで、これらの課題を克服する。
本稿では,2つの異なるデータモダリティに対する制約付き最適化手法の有効性を示す。
論文 参考訳(メタデータ) (2023-07-18T00:55:37Z) - Gradient-Free Methods for Deterministic and Stochastic Nonsmooth
Nonconvex Optimization [94.19177623349947]
非滑らかな非最適化問題は、機械学習とビジネス製造に現れる。
2つのコア課題は、有限収束を保証する効率的な方法の開発を妨げる。
GFMとSGFMの2相版も提案され, 改良された大規模評価結果が得られた。
論文 参考訳(メタデータ) (2022-09-12T06:53:24Z) - Uncertainty Quantification for Transport in Porous media using
Parameterized Physics Informed neural Networks [0.0]
本稿では,貯水池工学における不確実性定量化問題に取り組むために,インフォームドニューラルネットワーク(P-PINN)のパラメトリゼーションを提案する。
異種多孔質媒質中の不混和性二相流変位(Buckley-Leverett問題)によるアプローチを実証する。
PINNは不確実性空間のパラメータ化を適切に行うことで,アンサンブル実現とモーメントを密接に一致させる解を生成できることを示す。
論文 参考訳(メタデータ) (2022-05-19T06:23:23Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - Factorized Fourier Neural Operators [77.47313102926017]
Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。
我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
論文 参考訳(メタデータ) (2021-11-27T03:34:13Z) - 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) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳(メタデータ) (2021-06-07T16:53:56Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳(メタデータ) (2021-03-22T05:19:40Z)
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。