論文の概要: Node Assigned physics-informed neural networks for thermal-hydraulic system simulation: CVH/FL module

• arxiv url: http://arxiv.org/abs/2504.16447v1
• Date: Wed, 23 Apr 2025 06:17:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.017961
• Title: Node Assigned physics-informed neural networks for thermal-hydraulic system simulation: CVH/FL module
• Title（参考訳）: 熱水理シミュレーションのためのノード割り当て物理インフォームニューラルネットワーク:CVH/FLモジュール
• Authors: Jeesuk Shin, Cheolwoong Kim, Sunwoong Yang, Minseo Lee, Sung Joong Kim, Joongoo Jeon,
• Abstract要約: 原子力発電所の重大事故(SA)は、MELCORやMAAPのような熱水和物(TH)システムコードを用いて分析されている。 本研究の目的は,物理インフォームドニューラルネットワーク(PINN)を用いたTHシステムの新しい数値計算法を開発することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Severe accidents (SAs) in nuclear power plants have been analyzed using thermal-hydraulic (TH) system codes such as MELCOR and MAAP. These codes efficiently simulate the progression of SAs, while they still have inherent limitations due to their inconsistent finite difference schemes. The use of empirical schemes incorporating both implicit and explicit formulations inherently induces unidirectional coupling in multi-physics analyses. The objective of this study is to develop a novel numerical method for TH system codes using physics-informed neural network (PINN). They have shown strength in solving multi-physics due to the innate feature of neural networks-automatic differentiation. We propose a node-assigned PINN (NA-PINN) that is suitable for the control volume approach-based system codes. NA-PINN addresses the issue of spatial governing equation variation by assigning an individual network to each nodalization of the system code, such that spatial information is excluded from both the input and output domains, and each subnetwork learns to approximate a purely temporal solution. In this phase, we evaluated the accuracy of the PINN methods for the hydrodynamic module. In the 6 water tank simulation, PINN and NA-PINN showed maximum absolute errors of 1.678 and 0.007, respectively. It should be noted that only NA-PINN demonstrated acceptable accuracy. To the best of the authors' knowledge, this is the first study to successfully implement a system code using PINN. Our future work involves extending NA-PINN to a multi-physics solver and developing it in a surrogate manner.
• Abstract（参考訳）: 原子力発電所の重大事故(SA)は、MELCORやMAAPのような熱水和物(TH)システムコードを用いて分析されている。 これらの符号は、SAsの進行を効率的にシミュレートするが、それらの矛盾しない有限差分スキームのために固有の制限がある。 暗黙的および明示的な定式化の両方を取り入れた経験的スキームの使用は、本質的に多物理解析において一方向結合を誘導する。 本研究の目的は,物理インフォームドニューラルネットワーク(PINN)を用いたTHシステムの新しい数値計算法を開発することである。 彼らは、ニューラルネットワーク-オートマチックな微分の本質的な特徴のために、多分野の問題解決の強みを示している。 制御ボリュームアプローチに基づくシステムコードに適したノード割り当て型PINN(NA-PINN)を提案する。 NA-PINNは、入力領域と出力領域の両方から空間情報が除外され、各サブネットワークが純粋に時間的解を近似することを学習するように、個々のネットワークをシステムコードの各名詞化に割り当てることにより、空間統治方程式のばらつきの問題に対処する。 このフェーズでは, 動的モジュールに対するPINN法の精度を評価した。 6つの水槽シミュレーションにおいて, PINNとNA-PINNはそれぞれ1.678, 0.007の絶対誤差を示した。 NA-PINNのみが許容精度を示した点に注意が必要である。 著者の知識を最大限に活用するために、PINNを用いたシステムコードの実装に成功した最初の研究である。 我々の将来的な研究は、NA-PINNを多物理学者に拡張し、代理的な方法で開発することである。

関連論文リスト

• Physics-Informed Neural Networks with Unknown Partial Differential Equations: an Application in Multivariate Time Series [8.957579200590983]
  この研究は、データ駆動型発見と物理誘導学習のギャップを埋めることを目的としている。 歴史的データから部分微分方程式を自動的に抽出する手法を提案する。 次に、これらの学習方程式を3つの異なるモデリングアプローチに統合する。
  論文  参考訳（メタデータ） (2025-03-26T01:24:47Z)
• GradINN: Gradient Informed Neural Network [2.287415292857564]
  物理情報ニューラルネットワーク(PINN)にヒントを得た手法を提案する。 GradINNは、システムの勾配に関する事前の信念を利用して、予測関数の勾配を全ての入力次元にわたって制限する。 非時間依存システムにまたがる多様な問題に対するGradINNの利点を実証する。
  論文  参考訳（メタデータ） (2024-09-03T14:03:29Z)
• Improving PINNs By Algebraic Inclusion of Boundary and Initial Conditions [0.1874930567916036]
  AI for Science」は、AI技術を用いた基本的な科学的問題を解決することを目的としている。 本研究では、トレーニング対象のモデルを単にニューラルネットワークから非線形変換に変更する可能性について検討する。 これにより、損失関数の項数は標準のPINN損失よりも減少する。
  論文  参考訳（メタデータ） (2024-07-30T11:19:48Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• Mixed formulation of physics-informed neural networks for thermo-mechanically coupled systems and heterogeneous domains [0.0]
  物理インフォームドニューラルネットワーク(PINN)は境界値問題を解決するための新しいツールである。 近年の研究では、多くの工学的問題に対して損失関数を設計する際には、一階微分を使い、強い形式と弱い形式の方程式を組み合わせることにより、はるかに精度が向上することが示されている。 本研究では,多物理問題,特に定常熱力学的に結合した方程式系を解くために混合定式化を適用することを提案する。
  論文  参考訳（メタデータ） (2023-02-09T21:56:59Z)
• $Δ$-PINNs: physics-informed neural networks on complex geometries [3.238149275474964]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式を含む前方および逆問題の解法において有望であることを示す。 現在までに、問題が解決されている領域のトポロジについて、PINNに知らせる明確な方法はない。 本稿では,Laplace-Beltrami演算子の固有関数に基づくPINNの新たな位置符号化機構を提案する。
  論文  参考訳（メタデータ） (2022-09-08T18:03:19Z)
• 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)
• 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)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• 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)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。