論文の概要: Physics-Informed Neural Networks and Sequence Encoder: Application to heating and early cooling of thermo-stamping process

• arxiv url: http://arxiv.org/abs/2603.26245v1
• Date: Fri, 27 Mar 2026 10:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.437574
• Title: Physics-Informed Neural Networks and Sequence Encoder: Application to heating and early cooling of thermo-stamping process
• Title（参考訳）: 物理インフォームドニューラルネットワークとシーケンスエンコーダ:サーマルスタンピングプロセスの加熱と早期冷却への応用
• Authors: Mouad Elaarabi, Domenico Borzacchiello, Philippe Le Bot, Nathan Lauzeral, Sebastien Comas-Cardona,
• Abstract要約: 提案手法と複数のエンコーダの組み合わせ(Elaarabi et al., 2025b)が可能であることを示す。 また, 合成データを用いたモデル学習は, 学習期間中に見つからない実実験データに対して, モデルをうまく一般化する上で有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.5219568203653523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a previous work (Elaarabi et al., 2025b), the Sequence Encoder for online dynamical system identification (Elaarabi et al., 2025a) and its combination with PINN (PINN-SE) were introduced and tested on both synthetic and real data case scenarios. The sequence encoder is able to effectively encode time series into feature vectors, which the PINN then uses to map to dynamical behavior, predicting system response under changes in parameters, ICs and BCs. Previously (Elaarabi et al., 2025b), the tests on real data were limited to simple 1D problems and only 1D time series inputs of the Sequence Encoder. In this work, the possibility of applying PINN-SE to a more realistic case is investigated: heating and early cooling of the thermo-stamping process, which is a critical stage in the forming process of continuous fiber reinforced composite materials with thermoplastic polymer. The possibility of extending the PINN-SE inputs to multimodal data, such as sequences of temporal 2D images and to scenarios involving variable geometries, is also explored. The results show that combining multiple encoders with the previously proposed method (Elaarabi et al., 2025b) is feasible, we also show that training the model on synthetic data generated based on experimental data can help the model to generalize well for real experimental data, unseen during the training phase.
• Abstract（参考訳）: 前回の研究(Elaarabi et al , 2025b)では、オンライン動的システム識別のためのシーケンスエンコーダ(Elaarabi et al , 2025a)とPINN(PINN-SE)の組み合わせが導入された。 シーケンスエンコーダは、時系列を機能ベクトルに効果的にエンコードし、PINNはパラメータ、IC、BCの変化の下でシステムの応答を予測する。 以前は(Elaarabi et al , 2025b)、実データに対するテストは単純な1D問題とSequence Encoderの1D時系列入力に限られていた。 本研究は, 熱可塑性高分子を用いた連続繊維強化複合材料の形成過程における重要な段階である, 熱スタンピングプロセスの加熱と早期冷却について, PINN-SEの適用可能性について検討した。 PINN-SE入力を時間的2次元画像のシーケンスや可変ジオメトリを含むシナリオといったマルチモーダルデータに拡張する可能性についても検討した。 その結果,複数のエンコーダと従来提案されていた手法(Elaarabi et al , 2025b)を組み合わせることは可能であり,実験データに基づいて生成した合成データに基づいてモデルをトレーニングすることで,実実験データに対して十分に一般化できることを示した。

関連論文リスト

• Hybrid Adaptive Modeling in Process Monitoring: Leveraging Sequence Encoders and Physics-Informed Neural Networks [0.5219568203653523]
  本稿では,動的パラメータ,境界条件,初期条件を符号化するDeep Sequencesを用いたアーキテクチャを提案する。 本モデルでは,入力速度分布を同定するために数点の圧力データを符号化し,物理を用いて領域全体の速度と圧力を計算する。
  論文  参考訳（メタデータ） (2025-05-20T12:05:17Z)
• IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers [20.784780497613557]
  状態進化をIPPによって直接近似できる連続プロセスを用いて、時系列を純粋にモデル化することを提案する。 これにより、リカレント計算が不要になり、複数の状態が並列に進化することが可能になる。 実世界の3つのデータセットの実験から,提案手法は先進国を体系的に上回り,最先端の結果が得られ,データ効率の面で大きな優位性を持つことが示された。
  論文  参考訳（メタデータ） (2023-05-11T11:53:31Z)
• Decoder Tuning: Efficient Language Understanding as Decoding [84.68266271483022]
  本稿では,タスク固有のデコーダネットワークを出力側で最適化するデコーダチューニング(DecT)を提案する。 勾配ベースの最適化により、DecTは数秒以内にトレーニングでき、サンプル毎に1つのPクエリしか必要としない。 我々は、広範囲にわたる自然言語理解実験を行い、DecTが200ドル以上のスピードアップで最先端のアルゴリズムを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2022-12-16T11:15:39Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Non-linear State-space Model Identification from Video Data using Deep Encoders [0.0]
  本稿では,高次元入力および出力データから始まる非線形状態空間同定手法を提案する。 ニューラルネットワークで表現されたエンコーダ関数を導入して再構成可能性マップを学習し、過去の入力や出力からモデル状態を予測する。 ユニットボックス内の制御可能なボールのシミュレーション環境の映像ストリームに,提案手法を適用した。
  論文  参考訳（メタデータ） (2020-12-14T17:14:46Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。