論文の概要: Sequential learning based PINNs to overcome temporal domain complexities in unsteady flow past flapping wings

• arxiv url: http://arxiv.org/abs/2503.15679v1
• Date: Wed, 19 Mar 2025 20:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 22:27:04.593268
• Title: Sequential learning based PINNs to overcome temporal domain complexities in unsteady flow past flapping wings
• Title（参考訳）: 羽ばたきを過ぎる非定常流れにおける時間領域の複雑さを克服するための逐次学習に基づくPINN
• Authors: Rahul Sundar, Didier Lucor, Sunetra Sarkar,
• Abstract要約: 我々は、Physics-In Neural Networks(PINN)とIBM(Inimmersed boundary method)を組み合わせて、IBA(Inmersed boundary-aware)フレームワークを導入する。 長期統合におけるPINNの主な困難は、時間空間、長い時間領域、豊富なスペクトルコンテンツである。 本研究は,フロー構造相互作用問題の長期統合における従来のPINNの限界を明らかにする。
• 参考スコア（独自算出の注目度）: 0.27930367518472443
• License:
• Abstract: For a data-driven and physics combined modelling of unsteady flow systems with moving immersed boundaries, Sundar {\it et al.} introduced an immersed boundary-aware (IBA) framework, combining Physics-Informed Neural Networks (PINNs) and the immersed boundary method (IBM). This approach was beneficial because it avoided case-specific transformations to a body-attached reference frame. Building on this, we now address the challenges of long time integration in velocity reconstruction and pressure recovery by extending this IBA framework with sequential learning strategies. Key difficulties for PINNs in long time integration include temporal sparsity, long temporal domains and rich spectral content. To tackle these, a moving boundary-enabled PINN is developed, proposing two sequential learning strategies: - a time marching with gradual increase in time domain size, however, this approach struggles with error accumulation over long time domains; and - a time decomposition which divides the temporal domain into smaller segments, combined with transfer learning it effectively reduces error propagation and computational complexity. The key findings for modelling of incompressible unsteady flows past a flapping airfoil include: - for quasi-periodic flows, the time decomposition approach with preferential spatio-temporal sampling improves accuracy and efficiency for pressure recovery and aerodynamic load reconstruction, and, - for long time domains, decomposing it into smaller temporal segments and employing multiple sub-networks, simplifies the problem ensuring stability and reduced network sizes. This study highlights the limitations of traditional PINNs for long time integration of flow-structure interaction problems and demonstrates the benefits of decomposition-based strategies for addressing error accumulation, computational cost, and complex dynamics.
• Abstract（参考訳）: Sundar {\it et al } は、データ駆動と物理を組み合わせた非定常流れシステムのモデリングのために、IBA(Inmersed boundary-aware)フレームワークを導入し、Physics-Informed Neural Networks (PINN)とInmersed boundary Method (IBM)を組み合わせた。 このアプローチは、ボディアタッチされた参照フレームへのケース固有の変換を避けるために有用だった。 そこで我々は,この IBA フレームワークを逐次学習戦略で拡張することにより,速度復元と圧力回復の長期統合の課題に対処する。 長期統合におけるPINNの主な困難は、時間空間、長い時間領域、豊富なスペクトルコンテンツである。 動作境界対応PINNは,時間領域サイズを段階的に増加させるという2つの逐次学習戦略を提案する。しかし,この手法では,時間領域を小さなセグメントに分割する時間分解と,転送学習と組み合わせることで,エラーの伝播と複雑性を効果的に低減する。 フラッピング翼を過ぎる圧縮不能な非定常流をモデル化するための重要な発見は, 準周期流の場合, 優先時空間サンプリングによる時間分解手法により, 圧力回復と空力負荷復旧の精度と効率が向上し, 長期領域では, より小さな時間セグメントに分解し, 複数サブネットワークを利用することで, 安定性の確保とネットワークサイズ削減の問題を解決した。 本研究は,フロー構造相互作用問題の長期統合における従来のPINNの限界を強調し,誤差蓄積,計算コスト,複雑力学に対処するための分解型戦略の利点を実証する。

関連論文リスト

• BiDepth Multimodal Neural Network: Bidirectional Depth Deep Learning Architecture for Spatial-Temporal Prediction [4.263291797886899]
  本稿では,双方向深度変調を用いたBDMNN(BiDepth Multimodal Neural Network)を提案する。 ケーススタディでは,都市交通予測のための平均二乗誤差を12%削減し,降雨予測を15%改善した。
  論文  参考訳（メタデータ） (2025-01-14T19:59:59Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• Learning Delays Through Gradients and Structure: Emergence of Spatiotemporal Patterns in Spiking Neural Networks [0.06752396542927405]
  学習可能なシナプス遅延を2つのアプローチで組み込んだスパイキングニューラルネットワーク(SNN)モデルを提案する。 後者のアプローチでは、ネットワークは接続を選択してプーンし、スパース接続設定の遅延を最適化する。 本研究では,時間的データ処理のための効率的なSNNモデルを構築するために,遅延学習と動的プルーニングを組み合わせる可能性を示す。
  論文  参考訳（メタデータ） (2024-07-07T11:55:48Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• A unified scalable framework for causal sweeping strategies for Physics-Informed Neural Networks (PINNs) and their temporal decompositions [22.514769448363754]
  PINNとXPINNの時間依存型PDEのトレーニング課題について論じる。 PINNとXPINNのギャップを埋める新しい積み重ね分解法を提案する。 また,従来のPINNの因果性にインスパイアされた新しいタイムスウィーピング・コロケーション・ポイント・アルゴリズムを定式化した。
  論文  参考訳（メタデータ） (2023-02-28T01:19:21Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• Multilayer Perceptron Based Stress Evolution Analysis under DC Current Stressing for Multi-segment Wires [8.115870370527324]
  エレクトロマイグレーション(EM)は、超大規模統合(VLSI)システムの信頼性解析における主要な関心事の一つである。 従来の手法はしばしば十分に正確ではないため、特に高度な技術ノードにおいて、望ましくない過設計につながる。 本稿では,多層パーセプトロン(MLP)を用いて,空核形成フェーズにおける相互接続木間の応力変化を計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-17T07:38:20Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。