論文の概要: Lagged backward-compatible physics-informed neural networks for unsaturated soil consolidation analysis
- arxiv url: http://arxiv.org/abs/2602.07031v1
- Date: Tue, 03 Feb 2026 04:31:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:24.379184
- Title: Lagged backward-compatible physics-informed neural networks for unsaturated soil consolidation analysis
- Title（参考訳）: 不飽和土壌固化解析のためのラッジ後方対応型物理インフォームニューラルネットワーク
- Authors: Dong Li, Shuai Huang, Yapeng Cao, Yujun Cui, Xiaobin Wei, Hongtao Cao,
- Abstract要約: 本研究では, 長期荷重下での一次元不飽和土壌の固化をシミュレーションし, 逆転するLBC-PINNを開発した。
マルチスケールの時間領域にまたがる空気と水圧の分散化の課題に対処するため、このフレームワークは対数時間分割、ラタグ互換性損失強制、セグメントワイズ・トランスファー・ラーニングを統合している。
- 参考スコア（独自算出の注目度）: 8.01722811268437
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study develops a Lagged Backward-Compatible Physics-Informed Neural Network (LBC-PINN) for simulating and inverting one-dimensional unsaturated soil consolidation under long-term loading. To address the challenges of coupled air and water pressure dissipation across multi-scale time domains, the framework integrates logarithmic time segmentation, lagged compatibility loss enforcement, and segment-wise transfer learning. In forward analysis, the LBC-PINN with recommended segmentation schemes accurately predicts pore air and pore water pressure evolution. Model predictions are validated against finite element method (FEM) results, with mean absolute errors below 1e-2 for time durations up to 1e10 seconds. A simplified segmentation strategy based on the characteristic air-phase dissipation time improves computational efficiency while preserving predictive accuracy. Sensitivity analyses confirm the robustness of the framework across air-to-water permeability ratios ranging from 1e-3 to 1e3.
- Abstract（参考訳）: 本研究では, 長期荷重下での一次元不飽和土壌の固化をシミュレーションし, 逆転するLBC-PINNを開発した。
マルチスケールの時間領域にまたがる空気と水圧の分散化の課題に対処するため、このフレームワークは対数時間分割、ラタグ互換性損失強制、セグメントワイズ・トランスファー・ラーニングを統合している。
前方分析において、推奨セグメンテーションスキームを用いたLBC-PINNは、細孔空気と細孔水圧の進化を正確に予測する。
モデル予測は有限要素法(FEM)の結果に対して検証され、平均絶対誤差は1e-2以下であり、最大1e10秒間である。
特性気相散布時間に基づく簡易なセグメンテーション戦略は、予測精度を維持しながら計算効率を向上させる。
感度解析により, 1e-3 から 1e3 までの透水性比でフレームワークの堅牢性を確認した。
関連論文リスト
- Efficient temporal prediction of compressible flows in irregular domains using Fourier neural operators [0.3819617852128932]
本稿ではフーリエ演算子(FNO)を用いた不規則流れ場における高速圧縮性流体の時間的変化について検討する。
我々は,不規則な流れ場をFNO入力要求と整合した逐次形式に再構成し,複数ステップの予測を行うためにリカレントニューラルネットワーク(RNN)に時間的結合手法を組み込む。
論文 参考訳（メタデータ） (2026-01-05T09:12:35Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。
主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。
その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2025-09-20T17:13:25Z) - Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。
ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
論文 参考訳（メタデータ） (2025-06-01T22:55:55Z) - MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。
特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。
4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文 参考訳（メタデータ） (2025-01-27T12:15:51Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。
本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
論文 参考訳（メタデータ） (2024-04-25T12:04:36Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Efficient Estimation for Longitudinal Networks via Adaptive Merging [21.62069959992736]
本稿では, 適応型ネットワークマージ, テンソル分解, 点過程の強みを利用した長手ネットワークの効率的な推定手法を提案する。
近隣のスパースネットワークをマージし、観測されたエッジの数を拡大し、推定分散を低減する。
提案手法は,各イテレーションにおける推定誤差の上限を設定することにより,推定を容易にする。
論文 参考訳（メタデータ） (2022-11-15T03:17:11Z)
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。