論文の概要: Physics-Informed Neural Networks for Thermophysical Property Retrieval
- arxiv url: http://arxiv.org/abs/2511.23449v1
- Date: Fri, 28 Nov 2025 18:41:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:56.028456
- Title: Physics-Informed Neural Networks for Thermophysical Property Retrieval
- Title（参考訳）: 熱物性検索のための物理インフォームニューラルネットワーク
- Authors: Ali Waseem, Malcolm Mielle,
- Abstract要約: 逆熱問題(英: inverse heat problem)とは、観測された熱拡散挙動や既知の熱拡散挙動によって与えられる物質的熱物性を推定することを指す。
本稿では,壁面の熱伝導率kを熱電図の集合から推定するためのPINNに基づく反復的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 0.9668407688201359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inverse heat problems refer to the estimation of material thermophysical properties given observed or known heat diffusion behaviour. Inverse heat problems have wide-ranging uses, but a critical application lies in quantifying how building facade renovation reduces thermal transmittance, a key determinant of building energy efficiency. However, solving inverse heat problems with non-invasive data collected in situ is error-prone due to environmental variability or deviations from theoretically assumed conditions. Hence, current methods for measuring thermal conductivity are either invasive, require lengthy observation periods, or are sensitive to environmental and experimental conditions. Here, we present a PINN-based iterative framework to estimate the thermal conductivity k of a wall from a set of thermographs; our framework alternates between estimating the forward heat problem with a PINN for a fixed k, and optimizing k by comparing the thermographs and surface temperatures predicted by the PINN, repeating until the estimated k's convergence. Using both environmental data captured by a weather station and data generated from Finite-Volume-Method software simulations, we accurately predict k across different environmental conditions and data collection sampling times, given the temperature profile of the wall at dawn is close to steady state. Although violating the steady-state assumption impacts the accuracy of k's estimation, we show that our proposed framework still only exhibits a maximum MAE of 4.0851. Our work demonstrates the potential of PINN-based methods for reliable estimation of material properties in situ and under realistic conditions, without lengthy measurement campaigns. Given the lack of research on using machine learning, and more specifically on PINNs, for solving in-situ inverse problems, we expect our work to be a starting point for more research on the topic.
- Abstract（参考訳）: 逆熱問題(英: inverse heat problem)とは、観測された熱拡散挙動や既知の熱拡散挙動によって与えられる物質的熱物性を推定することを指す。
逆熱問題には幅広い用途があるが、重要な応用は、ファサードの改修によって熱伝達が減少するかどうかを定量化することである。
しかし,非侵襲的データを用いた逆熱問題の解法は,理論的に仮定された条件からの環境変動や偏差によってエラーを起こしやすい。
したがって、現在の熱伝導率測定法は、侵襲的であり、長い観測期間を必要とするか、環境や実験条件に敏感である。
ここでは,壁面の熱伝導率kを一定kのPINNに対して前方熱問題を推定することと,PINNが予測した温度と表面温度を比較してkを最適化することとを交互に検討する。
気象観測所が捉えた環境データと有限体積法ソフトウェアシミュレーションから生成したデータの両方を用いて、夜明け時の壁の温度分布が一定に近いため、異なる環境条件とデータ収集時間を正確に予測する。
定常状態仮定の違反はkの推定精度に影響を及ぼすが,提案手法は依然として最大4.0851のMAEしか示さないことを示す。
本研究は, PINNをベースとした実環境下での材料特性の信頼性評価手法の可能性を示すものである。
機械学習、特にPINNに関する研究の欠如を踏まえると、我々はこのトピックに関するさらなる研究の出発点となると期待している。
関連論文リスト
- Thermal state preparation by repeated interactions at and beyond the Lindblad limit [41.94295877935867]
本研究は, 繰り返し相互作用プロトコルによる熱流動特性と関連する準備(シミュレーション)時間について検討する。
我々は,Mpemba様の効果を観察する:最大混合状態から中間温度状態への熱化は,低温状態よりも長い時間を要する。
論文 参考訳（メタデータ） (2025-06-13T18:34:49Z) - Parameter estimation for land-surface models using machine learning libraries [0.0]
本研究では, 観測された土壌温度時系列を用いて, 信頼性の高いパラメータ推定を行うことは不可能であることを示す。
米国フェニックスの都市フラックスタワーデータに逆モデルを適用し, 熱伝導率, 体積熱容量, 複合感熱伝達係数を確実に推定できることを示す。
論文 参考訳（メタデータ） (2025-05-05T19:08:15Z) - Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。
本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
論文 参考訳（メタデータ） (2025-05-01T19:26:01Z) - NTR-Gaussian: Nighttime Dynamic Thermal Reconstruction with 4D Gaussian Splatting Based on Thermodynamics [22.777703129471004]
NTR-ガウス法は温度を熱放射の一種として扱い、対流熱伝達や放射熱散逸などの要素を取り入れている。
NTR-Gaussian は熱再構成における比較法を著しく上回り、温度誤差を摂氏1度以内で予測した。
論文 参考訳（メタデータ） (2025-03-05T02:24:13Z) - Squeezing generation crossing a mean-field critical point: Work statistics, irreversibility and critical fingerprints [41.99844472131922]
有限時間サイクルにおける平均場臨界点は、無限に遅い運転の極限においてさえ、一定の不可逆的な作業をもたらす。
作業統計と不可逆エントロピーの分析式は,平均場臨界指数にのみ依存する。
負の可逆エントロピーに対応する負の作業値の観測確率は、システムが臨界点に近づいた時間に逆比例する。
論文 参考訳（メタデータ） (2025-01-20T19:00:01Z) - Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。
開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
論文 参考訳（メタデータ） (2023-09-03T20:57:10Z) - Probe thermometry with continuous measurements [0.0]
標準的なアプローチはプローブサーモメトリーによって提供され、プローブがサンプルと接触し、一定の時間経過後に検査される。
ここでは、プローブが熱貯水池に結合した2層システムによって提供される最小限のモデルを考える。
熱活性化遷移のモニタリングにより、時間とともに精度が向上する温度のリアルタイム推定が可能となる。
論文 参考訳（メタデータ） (2023-07-25T11:00:02Z) - Role of topology in determining the precision of a finite thermometer [58.720142291102135]
低接続性は、温度計を低温で動作させるためのリソースであることに気付きました。
位置測定により達成可能な精度を,エネルギー測定に対応する最適値と比較する。
論文 参考訳（メタデータ） (2021-04-21T17:19:42Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳（メタデータ） (2020-12-16T12:58:08Z) - Global Quantum Thermometry [0.0]
我々は、測定データが少ない場合や、十分な事前知識が得られていない場合の温度を推定するために、地球規模の量子温度測定の理論を構築した。
スケーリングの議論に基づいて、平均対数誤差が温度測定の正解であることを示す。
これらの結果は、スピンガスの測定結果のシミュレーション結果に適用し、局所的なアプローチが温度推定に偏りをもたらすことを確かめる。
論文 参考訳（メタデータ） (2020-11-25T20:53:44Z) - Probing eigenstate thermalization in quantum simulators via
fluctuation-dissipation relations [77.34726150561087]
固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。
本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。
我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
論文 参考訳（メタデータ） (2020-07-20T18:00:02Z)
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。