論文の概要: Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems

• arxiv url: http://arxiv.org/abs/2603.23578v1
• Date: Tue, 24 Mar 2026 13:44:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.954962
• Title: Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems
• Title（参考訳）: 静電気エネルギーシステムのロバスト多物理シミュレーションのための残留アテンション物理学インフォームドニューラルネットワーク
• Authors: Yuqing Zhou, Ze Tao, Fujun Liu,
• Abstract要約: 本研究では, 連成速度, 圧力, 電位, 温度場の統一解のための残留注意物理情報ニューラルネットワーク(RA-PINN)フレームワークを提案する。 RA-PINNは, 定数係数結合, 間接圧力ゲージ制約, 温度依存性輸送, インターフェース整合性の4つの代表的なエネルギー関連ベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 4.636700312219189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient thermal management and precise field prediction are critical for the design of advanced energy systems, including electrohydrodynamic transport, microfluidic energy harvesters, and electrically driven thermal regulators. However, the steady-state simulation of these electrothermal coupled multiphysics systems remains challenging for physics-informed neural computation due to strong nonlinear field coupling, temperature-dependent coefficient variability, and complex interface dynamics. This study proposes a Residual Attention Physics-Informed Neural Network (RA-PINN) framework for the unified solution of coupled velocity, pressure, electric-potential, and temperature fields. By integrating a unified five-field operator formulation with residual-connected feature propagation and attention-guided channel modulation, the proposed architecture effectively captures localized coupling structures and steep gradients. We evaluate RA-PINN across four representative energy-relevant benchmarks: constant-coefficient coupling, indirect pressure-gauge constraints, temperature-dependent transport, and oblique-interface consistency. Comparative analysis against Pure-MLP, LSTM-PINN, and pLSTM-PINN demonstrates that RA-PINN achieves superior accuracy, yielding the lowest MSE, RMSE, and relative $L_2$ errors across all scenarios. Notably, RA-PINN maintains high structural fidelity in interface-dominated and variable-coefficient settings where conventional PINN backbones often fail. These results establish RA-PINN as a robust and accurate computational framework for the high-fidelity modeling and optimization of complex electrothermal multiphysics in sustainable energy applications.
• Abstract（参考訳）: 効率的な熱管理と精密場予測は、電気流体力学輸送、マイクロ流体エネルギー回収器、電気駆動型熱調節器などの先進エネルギーシステムの設計に不可欠である。 しかし、これらの熱水結合型多物理系の定常シミュレーションは、強い非線形場結合、温度依存性係数のばらつき、複雑な界面のダイナミクスにより、物理学インフォームド・ニューラル・コンピューティングでは依然として困難である。 本研究では, 連成速度, 圧力, 電位, 温度場の統一解のための残留注意物理情報ニューラルネットワーク(RA-PINN)フレームワークを提案する。 残差接続型特徴伝搬と注意誘導型チャネル変調と統合された5フィールド演算子定式化を併用することにより、提案アーキテクチャは局所結合構造と急勾配を効果的に捉えることができる。 我々は, RA-PINNを, 定数係数結合, 間接圧力ゲージ制約, 温度依存性輸送, 斜め面整合性の4つの代表的なエネルギー関連ベンチマークで評価した。 Pure-MLP, LSTM-PINN, pLSTM-PINNの比較分析により, RA-PINNの精度が向上し, MSE, RMSE, 相対的な$L_2$エラーが全シナリオで発生した。 特に、RA-PINNは、従来のPINNバックボーンが頻繁に失敗するインタフェース支配および可変係数設定において、高い構造的忠実性を維持している。 これらの結果から、RA-PINNは、持続可能なエネルギー応用における複雑な熱水多物理系の高忠実なモデリングと最適化のための、堅牢で正確な計算フレームワークとして確立されている。

関連論文リスト

• Surrogate models for nuclear fusion with parametric Shallow Recurrent Decoder Networks: applications to magnetohydrodynamics [0.0]
  本研究では,MHD状態再構成のためのデータ駆動型フレームワークについて検討する。 SHREDは、スパース時系列測定からフルタイム状態を回復するために設計されたニューラルネットワークアーキテクチャである。 その結果, SHREDはトレーニングセットに含まれない磁場強度に対しても, 完全MHD状態を正確に再構成することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T11:43:39Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。 しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。 ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
  論文  参考訳（メタデータ） (2024-11-15T08:55:31Z)
• NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
  本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。 NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。 キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
  論文  参考訳（メタデータ） (2024-07-30T22:01:14Z)
• Residual-based Attention Physics-informed Neural Networks for Spatio-Temporal Ageing Assessment of Transformers Operated in Renewable Power Plants [0.6223528900192875]
  本稿では,変圧器の巻線温度と経年変化に関する時間モデルを紹介する。 物理ベースの偏微分方程式とデータ駆動ニューラルネットワークを用いる。 フローティング太陽光発電プラントで動作する配電変圧器を用いて, 実験結果を検証した。
  論文  参考訳（メタデータ） (2024-05-10T12:48:57Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)

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。