論文の概要: Application of Physics-Informed Neural Networks for Solving the Inverse Advection-Diffusion Problem to Localize Pollution Sources

• arxiv url: http://arxiv.org/abs/2503.18849v1
• Date: Mon, 24 Mar 2025 16:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:38:30.286407
• Title: Application of Physics-Informed Neural Networks for Solving the Inverse Advection-Diffusion Problem to Localize Pollution Sources
• Title（参考訳）: 物理インフォームドニューラルネットワークによる逆対流拡散問題の解法による汚染源の局所化
• Authors: Ivan Chuprov, Denis Derkach, Dmitry Efremenko, Aleksei Kychkin,
• Abstract要約: 本稿では,逆対流拡散問題に対する物理情報ニューラルネットワーク(PINN)の適用について検討する。 本研究は,様々な条件下での汚染物質分散動態を正確にモデル化するためのPINNの最適化に焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.26249027950824516
• License:
• Abstract: This paper investigates the application of Physics-Informed Neural Networks (PINNs) for solving the inverse advection-diffusion problem to localize pollution sources. The study focuses on optimizing neural network architectures to accurately model pollutant dispersion dynamics under diverse conditions, including scenarios with weak and strong winds and multiple pollution sources. Various PINN configurations are evaluated, showing the strong dependence of solution accuracy on hyperparameter selection. Recommendations for efficient PINN configurations are provided based on these comparisons. The approach is tested across multiple scenarios and validated using real-world data that accounts for atmospheric variability. The results demonstrate that the proposed methodology achieves high accuracy in source localization, showcasing the stability and potential of PINNs for addressing environmental monitoring and pollution management challenges under complex weather conditions.
• Abstract（参考訳）: 本稿では,逆対流拡散問題に対する物理情報ニューラルネットワーク(PINN)の適用について検討する。 この研究は、弱い強い風と複数の汚染源を含む様々な条件下で汚染物質分散力学を正確にモデル化するために、ニューラルネットワークアーキテクチャを最適化することに焦点を当てている。 様々なPINN構成が評価され、解の精度がハイパーパラメータ選択に強く依存していることが示されている。 これらの比較に基づいて,効率的なPINN構成を提案する。 このアプローチは複数のシナリオでテストされ、大気の変動を考慮した実世界のデータを使用して検証される。 提案手法は, 複雑な気象条件下での環境モニタリングと汚染管理の課題に対処するために, PINNの安定性と可能性を示した。

関連論文リスト

• Adaptive Physics-Guided Neural Network [0.0]
  本稿では,画像データから品質特性を予測するための適応型物理誘導ニューラルネットワーク(APGNN)フレームワークを提案する。 APGNNは、データ駆動と物理インフォームド予測を適応的にバランスさせ、異なる環境におけるモデルの精度と堅牢性を高める。 実世界の実験では、APGNNは多様な熱画像データセットにおいて一貫して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-11-15T09:28:55Z)
• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• SetPINNs: Set-based Physics-informed Neural Networks [31.193471532024407]
  ローカル依存関係を効果的にキャプチャするフレームワークであるSetPINNを紹介する。 ドメインをセットに分割して、物理法則を同時に適用しながら、ローカル依存関係をモデル化します。
  論文  参考訳（メタデータ） (2024-09-30T11:41:58Z)
• Approximating Rayleigh Scattering in Exoplanetary Atmospheres using Physics-informed Neural Networks (PINNs) [0.0]
  本研究では、外惑星大気における放射移動(RT)モデリングの課題に取り組むために、物理インフォームドニューラルネットワーク(PINN)の革新的な応用を紹介した。 提案手法は,RTの制御微分方程式を損失関数に直接組み込む能力で,PINNを利用する。 本研究では,吸収係数とレイリー散乱係数を持つ簡易1次元等温モデルを用いて,太陽系外惑星大気の遷移におけるRTに着目した。
  論文  参考訳（メタデータ） (2024-07-31T18:00:55Z)
• Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
  中性子拡散方程式は原子炉の解析において重要な役割を果たす。 従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。 R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
  論文  参考訳（メタデータ） (2024-06-23T13:49:31Z)
• 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)
• Differentiable Invariant Causal Discovery [106.87950048845308]
  観測データから因果構造を学ぶことは、機械学習の基本的な課題である。 本稿では,不特定変分因果解法(DICD)を提案する。 合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
  論文  参考訳（メタデータ） (2022-05-31T09:29:07Z)
• 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)
• Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal Representations [55.50218493466906]
  本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。 不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。 予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
  論文  参考訳（メタデータ） (2021-05-04T21:36:31Z)
• Stochastic analysis of heterogeneous porous material with modified neural architecture search (NAS) based physics-informed neural networks using transfer learning [0.0]
  修正ニューラルアーキテクチャ探索法(NAS)に基づく物理インフォームド深層学習モデルを提案する。 高度不均質帯水層における地下水流動シミュレーションのベンチマークを行うため, 三次元流れモデルを構築した。
  論文  参考訳（メタデータ） (2020-10-03T19:57:54Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。