論文の概要: Numerical simulation of transient heat conduction with moving heat source using Physics Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2506.17726v1
• Date: Sat, 21 Jun 2025 14:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.558472
• Title: Numerical simulation of transient heat conduction with moving heat source using Physics Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた移動熱源による過渡熱伝導の数値シミュレーション
• Authors: Anirudh Kalyan, Sundararajan Natarajan,
• Abstract要約: 本稿では,移動源を含む熱伝達の数値シミュレーションに物理情報ニューラルネットワーク(PINN)を用いる。 転帰学習を通した連続的なタイムステッピングを用いた新しいトレーニング手法を提案する。 移動熱源を有する均質媒質中の温度分布を推定するために, 提案手法を用いた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, the physics informed neural networks (PINNs) is employed for the numerical simulation of heat transfer involving a moving source. To reduce the computational effort, a new training method is proposed that uses a continuous time-stepping through transfer learning. Within this, the time interval is divided into smaller intervals and a single network is initialized. On this single network each time interval is trained with the initial condition for (n+1)th as the solution obtained at nth time increment. Thus, this framework enables the computation of large temporal intervals without increasing the complexity of the network itself. The proposed framework is used to estimate the temperature distribution in a homogeneous medium with a moving heat source. The results from the proposed framework is compared with traditional finite element method and a good agreement is seen.
• Abstract（参考訳）: 本稿では,移動源を含む熱伝達の数値シミュレーションに物理情報ニューラルネットワーク(PINN)を用いる。 計算労力を削減するため,移動学習による連続的なタイムステッピングを用いた新しいトレーニング手法を提案する。 これにより、時間間隔を小さな間隔に分割し、単一のネットワークを初期化する。 この単一ネットワーク上では、n番目の時間インクリメントで得られる解として、(n+1)thの初期条件で各時間間隔を訓練する。 これにより、ネットワーク自体の複雑さを増大させることなく、大きな時間間隔の計算が可能となる。 移動熱源を有する均質媒質中の温度分布を推定するために,提案手法を用いた。 提案手法の結果は従来の有限要素法と比較され,良好な一致が得られた。

関連論文リスト

• MILP initialization for solving parabolic PDEs with PINNs [2.5932373010465364]
  物理インフォームドニューラルネットワーク(PINN)は物理系の解とパラメータ推定を提供する強力なディープラーニング手法である。 ニューラルネットワーク構造の複雑さを考えると、収束速度は数値的手法と比較しても制限される。
  論文  参考訳（メタデータ） (2025-01-27T15:46:38Z)
• Gradient-free training of recurrent neural networks [3.272216546040443]
  本稿では,勾配に基づく手法を使わずに再帰型ニューラルネットワークの重みとバイアスを全て構成する計算手法を提案する。 このアプローチは、動的システムに対するランダムな特徴ネットワークとクープマン作用素理論の組み合わせに基づいている。 時系列の計算実験,カオス力学系の予測,制御問題などにおいて,構築したリカレントニューラルネットワークのトレーニング時間と予測精度が向上することが観察された。
  論文  参考訳（メタデータ） (2024-10-30T21:24:34Z)
• Isometric tensor network representations of two-dimensional thermal states [0.0]
  我々は最近導入されたテンソルネットワーク状態のクラスを用いて、横場イジングモデルの熱状態を表す。 このアプローチは、有限温度における状態を表現するために、低い計算量で異なる方法を提供する。
  論文  参考訳（メタデータ） (2023-02-15T19:00:11Z)
• Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
  時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-30T18:24:13Z)
• 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)
• 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)
• Partitioned Deep Learning of Fluid-Structure Interaction [0.0]
  流体構造相互作用(FSI)問題の学習のための分割ニューラルネットワークベースのフレームワークを提案する。 ライブラリは、境界データ通信、データマッピング、方程式結合を扱う2つのネットワークを結合するために使用される。 弾性管内の1d流体の流れをシミュレーションするための古典的な数値法と、提案された枠組みの結果との間に非常に良好な一致を観察する。
  論文  参考訳（メタデータ） (2021-05-14T12:09:03Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。