論文の概要: FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design

• arxiv url: http://arxiv.org/abs/2505.20300v1
• Date: Sat, 10 May 2025 03:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.452642
• Title: FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design
• Title（参考訳）: FMEnets:非理想的なプラグフローリアクター設計のためのフロー,マテリアル,エネルギーネットワーク
• Authors: Chenxi Wu, Juan Diego Toscano, Khemraj Shukla, Yingjie Chen, Ali Shahmohammadi, Edward Raymond, Thomas Toupy, Neda Nazemifard, Charles Papageorgiou, George Em Karniadakis,
• Abstract要約: FMEnetsは、非理想的なプラグフローリアクターの設計と解析のための機械学習フレームワークである。 基本的な支配方程式(流体流のNavier-Stokes、反応種輸送の物質収支、温度分布のエネルギー収支)を統一されたマルチスケールネットワークモデルに統合する。 従来のマルチ層パーセプトロンを使用するFME-PINNや、Kolmogorov-Arnold NetworksをベースとしたFME-KANとして実装することができる。
• 参考スコア（独自算出の注目度）: 3.0194452317530662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose FMEnets, a physics-informed machine learning framework for the design and analysis of non-ideal plug flow reactors. FMEnets integrates the fundamental governing equations (Navier-Stokes for fluid flow, material balance for reactive species transport, and energy balance for temperature distribution) into a unified multi-scale network model. The framework is composed of three interconnected sub-networks with independent optimizers that enable both forward and inverse problem-solving. In the forward mode, FMEnets predicts velocity, pressure, species concentrations, and temperature profiles using only inlet and outlet information. In the inverse mode, FMEnets utilizes sparse multi-residence-time measurements to simultaneously infer unknown kinetic parameters and states. FMEnets can be implemented either as FME-PINNs, which employ conventional multilayer perceptrons, or as FME-KANs, based on Kolmogorov-Arnold Networks. Comprehensive ablation studies highlight the critical role of the FMEnets architecture in achieving accurate predictions. Specifically, FME-KANs are more robust to noise than FME-PINNs, although both representations are comparable in accuracy and speed in noise-free conditions. The proposed framework is applied to three different sets of reaction scenarios and is compared with finite element simulations. FMEnets effectively captures the complex interactions, achieving relative errors less than 2.5% for the unknown kinetic parameters. The new network framework not only provides a computationally efficient alternative for reactor design and optimization, but also opens new avenues for integrating empirical correlations, limited and noisy experimental data, and fundamental physical equations to guide reactor design.
• Abstract（参考訳）: 非理想的なプラグフローリアクターの設計と解析のための物理インフォームド機械学習フレームワークであるFMEnetsを提案する。 FMEnetsは、基本的な支配方程式(流体流動のNavier-Stokes、反応種輸送の物質収支、温度分布のエネルギー収支)を、統一されたマルチスケールネットワークモデルに統合する。 このフレームワークは、3つの相互接続されたサブネットワークで構成されており、前方および逆問題の解決を可能にする独立したオプティマイザを備えている。 フォワードモードでは、FMEnetsは入口情報と出口情報のみを用いて速度、圧力、種濃度、温度分布を予測する。 逆モードでは、FMEnetsはスパースマルチレジデンス時間測定を用いて未知の運動パラメータと状態の同時推定を行う。 FMEは、従来のマルチ層パーセプトロンを使用するFME-PINNや、コルモゴロフ・アルノルドネットワークに基づくFME-KANとして実装できる。 包括的アブレーション研究は、正確な予測を達成する上でのFMEnetsアーキテクチャの重要な役割を強調している。 具体的には、FME-KANはFME-PINNよりもノイズに強いが、どちらの表現もノイズのない条件では精度と速度に匹敵する。 提案手法は3つの異なる反応シナリオに適用され、有限要素シミュレーションと比較される。 FMEnetsは複雑な相互作用を効果的に捉え、未知の運動パラメータに対して相対誤差が2.5%未満に達する。 この新しいネットワークフレームワークは、リアクター設計と最適化の計算的に効率的な代替手段を提供するだけでなく、経験的相関、限定的かつノイズの多い実験データ、および原子炉設計を導く基本的な物理方程式を統合するための新たな道を開く。

関連論文リスト

• Evaluation and Verification of Physics-Informed Neural Models of the Grad-Shafranov Equation [0.9883562565157392]
  核融合炉は磁気流体力学(MHD)平衡の維持に依存している。 最近の研究は、Grad-Shafranov方程式(GSE)をモデル化するために物理インフォームドニューラルネットワーク(PINN)を使用する可能性を実証している。
  論文  参考訳（メタデータ） (2025-04-29T20:17:43Z)
• DeepFEA: Deep Learning for Prediction of Transient Finite Element Analysis Solutions [2.9784611307466187]
  有限要素解析(英: Finite Element Analysis, FEA)は、物理現象をシミュレーションする強力な計算集約手法である。 機械学習の最近の進歩は、FEAを加速できるサロゲートモデルにつながっている。 この研究ギャップに触発された本研究では,ディープラーニングベースのフレームワークであるDeepFEAを提案する。
  論文  参考訳（メタデータ） (2024-12-05T12:46:18Z)
• Mixture of Physical Priors Adapter for Parameter-Efficient Fine-Tuning [41.19870454097444]
  本稿では,ネットワークの重み付けを物理的に組み合わせてモデル化する手法を提案する。 熱拡散、波動伝播、ポアソンの定常方程式の3つの基礎方程式がそれぞれ固有のモデリング特性に寄与する。 MoPPAはPEFTの精度を最大2.1%向上させる。
  論文  参考訳（メタデータ） (2024-12-03T19:00:34Z)
• Divide-and-Conquer: Confluent Triple-Flow Network for RGB-T Salient Object Detection [70.84835546732738]
  RGB-Thermal Salient Object Detectionは、目視と熱赤外画像のペア内の目立つ物体をピンポイントすることを目的としている。 従来のエンコーダ・デコーダアーキテクチャは、欠陥モードから生じるノイズに対する頑健さを十分に考慮していなかったかもしれない。 本稿では,Divide-and-Conquer戦略を用いた,堅牢なConfluent Triple-Flow NetworkであるConTriNetを提案する。
  論文  参考訳（メタデータ） (2024-12-02T14:44:39Z)
• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
  本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。 一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
  論文  参考訳（メタデータ） (2023-09-27T13:14:57Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Finite volume method network for acceleration of unsteady computational fluid dynamics: non-reacting and reacting flows [0.0]
  CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。 反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
  論文  参考訳（メタデータ） (2021-05-07T15:33:49Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)

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。