論文の概要: Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory

• arxiv url: http://arxiv.org/abs/2603.28328v1
• Date: Mon, 30 Mar 2026 11:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.372125
• Title: Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory
• Title（参考訳）: 地質層における水素沈降予測のための物理インフォームニューラルネットワーク:古典的吸着理論を組み込んだ熱力学的拘束型深層学習
• Authors: Mohammad Nooraiepour, Mohammad Masoudi, Zezhang Song, Helge Hellevang,
• Abstract要約: 微粒な地質材料中の水素吸着の予測は地下の水素貯蔵能力の評価、キャップロックの完全性の評価、地下エネルギーシステムの水素移動の特徴付けに不可欠である。 本稿では,古典的吸着理論と熱力学的制約を直接学習プロセスに埋め込むことにより,この制限に対処する多スケール物理情報ニューラルネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of hydrogen sorption in fine-grained geological materials is essential for evaluating underground hydrogen storage capacity, assessing caprock integrity, and characterizing hydrogen migration in subsurface energy systems. Classical isotherm models perform well at the individual-sample level but fail when generalized across heterogeneous populations, with the coefficient of determination collapsing from 0.80-0.90 for single-sample fits to 0.09-0.38 for aggregated multi-sample datasets. We present a multi-scale physics-informed neural network framework that addresses this limitation by embedding classical adsorption theory and thermodynamic constraints directly into the learning process. The framework utilizes 1,987 hydrogen sorption isotherm measurements across clays, shales, coals, supplemented by 224 characteristic uptake measurements. A seven-category physics-informed feature engineering scheme generates 62 thermodynamically meaningful descriptors from raw material characterization data. The loss function enforces saturation limits, a monotonic pressure response, and Van't Hoff temperature dependence via penalty weighting, while a three-phase curriculum-based training strategy ensures stable integration of competing physical constraints. An architecture-diverse ensemble of ten members provides calibrated uncertainty quantification, with post-hoc temperature scaling achieving target prediction interval coverage. The optimized PINN achieves R2 = 0.9544, RMSE = 0.0484 mmol/g, and MAE = 0.0231 mmol/g on the held-out test set, with 98.6% monotonicity satisfaction and zero non-physical negative predictions. Physics-informed regularization yields a 10-15% cross-lithology generalization advantage over a well-tuned random forest under leave-one-lithology-out validation, confirming that thermodynamic constraints transfer meaningfully across geological boundaries.
• Abstract（参考訳）: 地下の水素貯蔵能力の評価, キャップロックの完全性の評価, 地下エネルギーシステムの水素移動特性評価には, きめ細かい地質材料中の水素吸着の正確な予測が不可欠である。 古典的等温モデルは個々のサンプルレベルでは良好に機能するが、異種集団をまたいだ一般化では失敗し、単一サンプルの場合は0.80-0.90、集約されたマルチサンプルデータセットでは0.09-0.38となる決定係数が崩壊する。 本稿では,古典的吸着理論と熱力学的制約を直接学習プロセスに埋め込むことにより,この制限に対処する多スケール物理情報ニューラルネットワークフレームワークを提案する。 このフレームワークは、粘土、シェール、石炭にまたがる1,987個の水素吸着等温測定を、224個の特性吸収測定で補足する。 7カテゴリの物理インフォームド特徴工学スキームは、原材料特性データから62個の熱力学的に意味のある記述子を生成する。 損失関数は飽和限界、単調な圧力応答、およびVan't Hoff温度依存性をペナルティ重み付けにより強制する一方、3段階のカリキュラムベースのトレーニング戦略は、競合する物理的制約の安定した統合を保証する。 10人の構成員からなるアーキテクチャ・ディバースアンサンブルは、熱後の温度スケーリングにより、目標予測間隔のカバレッジを達成する、キャリブレーションされた不確実性定量化を提供する。 最適化されたPINNは R2 = 0.9544, RMSE = 0.0484 mmol/g, MAE = 0.0231 mmol/g を達成する。 物理インフォームド・レギュラー化は、高度に調整されたランダムな森林に対して10-15%のクロスリソロジー一般化の利点をもたらし、地質境界を越えて熱力学的制約が有意に伝達されることを確認する。

関連論文リスト

• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys [0.0]
  我々は, 元素特性に基づく複素合金のTm予測のために, 勾配ブースト決定木(XGBoost)モデルを開発した。 最適化されたモデルは、0.948の判定係数(R2)と平均正方形誤差(MSE)を9928で達成する。
  論文  参考訳（メタデータ） (2026-01-07T10:59:24Z)
• The Physics Constraint Paradox: When Removing Explicit Constraints Improves Physics-Informed Data for Machine Learning [0.0]
  5つの幾何学パラメータを100点のスペクトル応答にマッピングする物理インフォームドグレーティングカプラスペクトル生成器を提案する。 エネルギー保護法,ファブリ・ペロ振動,帯域変動,雑音を選択的に除去することにより,物理制約パラドックスを明らかにする。 これらの知見は、物理インフォームドデータセット設計のための実用的なガイダンスを提供し、制約関連性を評価するための診断ツールとして機械学習の性能を強調している。
  論文  参考訳（メタデータ） (2025-12-24T14:34:52Z)
• Atomistic Simulation Guided Convolutional Neural Networks for Thermal Modeling of Friction Stir Welding [0.33842793760651557]
  分子動力学シミュレーションをLAMMPSを用いて行った。 2次元畳み込みニューラルネットワークは、空間的に解決された原子構造データから直接温度を予測するために開発された。
  論文  参考訳（メタデータ） (2025-12-15T16:41:42Z)
• Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals [1.5749416770494706]
  本研究では, 適応型物理インフォームドニューラルネットワーク(PINN)フレームワークを導入し, 水素吸着予測を向上する。 PINNは、アダプティブ・ロス関数とモンテカルロ・ドロップアウトにより、不確実な定量化のために最適化された、多面的な注意を伴うディープ・リザーブ・ネットワークを採用している。 このフレームワークは、粘土鉱物、シェール、石炭をまたいだ堅牢なリソロジー特性を示し、85-91%の信頼性スコアを維持している。
  論文  参考訳（メタデータ） (2025-08-24T19:41:33Z)
• Thermodynamic Constraints on the Emergence of Intersubjectivity in Quantum Systems [41.94295877935867]
  理想的な量子測定には、異なる熱力学資源が必要である。 この研究は、量子熱力学と古典性の出現を物体間相互作用の形で橋渡しする。
  論文  参考訳（メタデータ） (2025-07-28T11:39:10Z)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains at Finite Temperature: Exact Results [68.8204255655161]
  奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。 正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
  論文  参考訳（メタデータ） (2021-05-11T14:08:02Z)
• Accurate simulation and thermal tuning by temperature-adaptive boundary interactions on quantum many-body systems [2.13230439190003]
  本研究では, 1次元(1次元)多体系の熱力学を模倣し, 調整する温度適応型エンタングルメントシミュレータ(TAES)を提案する。 1Dスピンチェーンのベンチマークでは、TAESは既存の有限温度アプローチと比較して最先端の精度を上回っている。
  論文  参考訳（メタデータ） (2021-04-30T15:21:06Z)
• 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。