論文の概要: Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network

• arxiv url: http://arxiv.org/abs/2508.03776v1
• Date: Tue, 05 Aug 2025 12:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.391289
• Title: Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network
• 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EAST上のタングステン単ブロックダイバータの熱流束解析
• Authors: Xiao Wang, Zikang Yan, Hao Si, Zhendong Yang, Qingquan Yang, Dengdi Sun, Wanli Lyu, Jin Tang,
• Abstract要約: 核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
• 参考スコア（独自算出の注目度）: 13.813339681786644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating heat flux in the nuclear fusion device EAST is a critically important task. Traditional scientific computing methods typically model this process using the Finite Element Method (FEM). However, FEM relies on grid-based sampling for computation, which is computationally inefficient and hard to perform real-time simulations during actual experiments. Inspired by artificial intelligence-powered scientific computing, this paper proposes a novel Physics-Informed Neural Network (PINN) to address this challenge, significantly accelerating the heat conduction estimation process while maintaining high accuracy. Specifically, given inputs of different materials, we first feed spatial coordinates and time stamps into the neural network, and compute boundary loss, initial condition loss, and physical loss based on the heat conduction equation. Additionally, we sample a small number of data points in a data-driven manner to better fit the specific heat conduction scenario, further enhancing the model's predictive capability. We conduct experiments under both uniform and non-uniform heating conditions on the top surface. Experimental results show that the proposed thermal conduction physics-informed neural network achieves accuracy comparable to the finite element method, while achieving $\times$40 times acceleration in computational efficiency. The dataset and source code will be released on https://github.com/Event-AHU/OpenFusion.
• Abstract（参考訳）: 核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 伝統的な科学計算法は典型的には有限要素法(FEM)を用いてこのプロセスをモデル化する。 しかし、FEMは計算のグリッドベースサンプリングに依存しており、計算的に非効率であり、実際の実験中にリアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。 具体的には,まず空間座標とタイムスタンプをニューラルネットワークに入力し,熱伝導方程式に基づく境界損失,初期条件損失,物理的損失を計算する。 さらに、特定の熱伝導シナリオに適合するように、データ駆動方式で少数のデータポイントをサンプリングし、モデルの予測能力をさらに高めます。 表面上の均一および非均一な加熱条件下で実験を行う。 実験結果から,提案した熱伝導物理学インフォームドニューラルネットワークは有限要素法に匹敵する精度を達成し,計算効率の40倍の高速化を実現した。 データセットとソースコードはhttps://github.com/Event-AHU/OpenFusionで公開される。

関連論文リスト

• Numerical simulation of transient heat conduction with moving heat source using Physics Informed Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-21T14:51:46Z)
• Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks [45.752780408098765]
  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(PDE)を解くための強力なアプローチを提供する PINNは最近、科学機械学習の分野で貴重なツールとして登場した。
  論文  参考訳（メタデータ） (2025-06-19T16:21:14Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Inferring turbulent velocity and temperature fields and their statistics from Lagrangian velocity measurements using physics-informed Kolmogorov-Arnold Networks [3.7130378544005844]
  実験乱流速度データから隠れた温度場を推定するためのAIVT法を提案する。 具体的には、AIVTは物理インフォームされたコルモゴロフ・アルノルドネットワーク(ニューラルネットワークではない)に基づいており、複合損失関数の最適化によって訓練されている。 乱流の直接数値シミュレーション (DNS) に匹敵する忠実度でスパース実験データから連続的, 即時的な速度場と温度場を再構成し, 推定できることを実証した。
  論文  参考訳（メタデータ） (2024-07-22T15:30:21Z)
• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Physics-informed Convolutional Neural Networks for Temperature Field Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
  本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。 ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
  論文  参考訳（メタデータ） (2021-09-26T03:24:23Z)
• A Combined Data-driven and Physics-driven Method for Steady Heat Conduction Prediction using Deep Convolutional Neural Networks [39.46616349629182]
  本稿では,加速学習とより正確な解法を併用して提案する。 データ駆動型手法では、物理方程式の導入は収束を高速化するだけでなく、物理的に一貫した解を生成することができる。 物理駆動法では, 結合法は, あまり制約のない粗い基準を用いることで, 収束を49.0%まで高速化できることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T22:29:37Z)

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。