論文の概要: Physics-Informed Neural Networks for Methane Sorption: Cross-Gas Transfer Learning, Ensemble Collapse Under Physics Constraints, and Monte Carlo Dropout Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2604.13992v1
- Date: Wed, 15 Apr 2026 15:35:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.611697
- Title: Physics-Informed Neural Networks for Methane Sorption: Cross-Gas Transfer Learning, Ensemble Collapse Under Physics Constraints, and Monte Carlo Dropout Uncertainty Quantification
- Title（参考訳）: メタン沈降のための物理インフォームニューラルネットワーク:クロスガス伝達学習、物理制約下でのアンサンブル崩壊、モンテカルロ落下不確かさの定量化
- Authors: Mohammad Nooraiepour, Zezhang Song, Wei Li, Sarah Perez,
- Abstract要約: 本稿では,水素吸着PINNをメタン吸着予測に適用する物理情報伝達学習フレームワークを提案する。
このフレームワークは、ホールドアウトされた石炭サンプル上でR2 = 0.932を達成し、圧力のみの古典等温線よりも227%改善した。
- 参考スコア（独自算出の注目度）: 2.3808295372660253
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate methane sorption prediction across heterogeneous coal ranks requires models that combine thermodynamic consistency, efficient knowledge transfer across data-scarce geological systems, and calibrated uncertainty estimates, capabilities that are rarely addressed together in existing frameworks. We present a physics-informed transfer learning framework that adapts a hydrogen sorption PINN to methane sorption prediction via Elastic Weight Consolidation, coal-specific feature engineering, and a three-phase curriculum that progressively balances transfer preservation with thermodynamic fine-tuning. Trained on 993 equilibrium measurements from 114 independent coal experiments spanning lignite to anthracite, the framework achieves R2 = 0.932 on held-out coal samples, a 227% improvement over pressure-only classical isotherms, while hydrogen pre-training delivers 18.9% lower RMSE and 19.4% faster convergence than random initialization. Five Bayesian uncertainty quantification approaches reveal a systematic divergence in performance across physics-constrained architectures. Monte Carlo Dropout achieves well-calibrated uncertainty at minimal overhead, while deep ensembles, regardless of architectural diversity or initialization strategy, exhibit performance degradation because shared physics constraints narrow the admissible solution manifold. SHAP and ALE analyses confirm that learned representations remain physically interpretable and aligned with established coal sorption mechanisms: moisture-volatile interactions are most influential, pressure-temperature coupling captures thermodynamic co-dependence, and features exhibit non-monotonic effects. These results identify Monte Carlo Dropout as the best-performing UQ method in this physics-constrained transfer learning framework, and demonstrate cross-gas transfer learning as a data-efficient strategy for geological material modeling.
- Abstract（参考訳）: 不均一炭位における正確なメタンの吸着予測には、熱力学的整合性、データスカース地質システム間の効率的な知識伝達、既存のフレームワークではめったに対処されない不確実性推定(キャリブレーションされた不確実性推定)を組み合わせたモデルが必要である。
本稿では, 水素吸蔵PINNを加圧加湿によるメタン吸着予測, 石炭特有の特徴工学, および熱力学的微調整による輸送保存を段階的にバランスさせる3段階のカリキュラムに適応させる物理インフォームドトランスファーラーニングフレームワークを提案する。
リグナイトからアントラクタイトにまたがる114個の独立した石炭実験による933の平衡測定に基づいて、このフレームワークは保持された石炭サンプルに対してR2 = 0.932を達成し、圧力のみの古典等温線よりも227%改善し、水素予混合は18.9%低下し、ランダム初期化よりも19.4%早く収束する。
5つのベイズの不確実性定量化アプローチは、物理学に制約されたアーキテクチャにおける性能の体系的な相違を明らかにしている。
モンテカルロ・ドロップアウトは最小限のオーバーヘッドでよく校正された不確実性を達成する一方、アーキテクチャの多様性や初期化戦略に関わらず、深いアンサンブルは許容可能な解多様体を狭めるため、性能劣化を示す。
SHAP と ALE 分析は、学習された表現が、確立された石炭の吸着機構に沿って物理的に解釈可能であることを確認した: 水分-揮発性相互作用が最も影響し、圧力-温度結合は熱力学的共依存性を捉え、特徴は非単調な効果を示す。
これらの結果から,モンテカルロ・ドロップアウトは物理制約付き移動学習フレームワークにおいて最も優れたUQ手法であり,地質資料モデリングにおけるデータ効率のよい手法として,ガス間移動学習を実証した。
関連論文リスト
- Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator [42.95123707634075]
本稿では,ニューラルネットワークのトレーニングに直接,微分可能な地下流れシミュレータを組み込む物理インフォームド機械学習手法を提案する。
ネットワークは、限られた圧力観測から不均一な透水性場を推定する一方、トレーニングはシミュレータを通しての透水性と減圧の両方を最小化し、物理的一貫性を強制する。
提案手法は, リアルタイム貯水池のキャラクタリゼーションとリスク認識による意思決定のために, 高速かつ物理一貫性のある地下インバージョンを実現する。
論文 参考訳（メタデータ） (2026-04-14T20:52:45Z) - Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory [1.5749416770494706]
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。
論文 参考訳（メタデータ） (2026-03-30T11:59:36Z) - A Machine Learning-Enhanced Hopf-Cole Formulation for Nonlinear Gas Flow in Porous Media [0.0]
多孔質媒体におけるガス輸送のための統合モデリングフレームワークを提案する。
Klinkenberg-enhanced relation, Hopf-Cole-transformed mixed-form linear ruling equation, and a Deep Least-Squares (DeepLS)solvr。
その結果, 広範囲の圧力状態における流れのダイナミクスとパラメータの正確な回復が示された。
論文 参考訳（メタデータ） (2026-03-11T19:17:18Z) - Differentiable Thermodynamic Phase-Equilibria for Machine Learning [39.691553958657764]
DISCOMAXは相平衡計算のための微分可能なアルゴリズムであり、トレーニングと推論の両方で熱力学的整合性を保証する。
本研究では,二成分液平衡データに対するアプローチを評価し,既存のサロゲート法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-03-11T19:14:04Z) - Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves [39.92721695835137]
ヒューゴニオット曲線に沿った衝撃物質状態を予測するための物理制約付きガウス過程回帰フレームワークを開発した。
このフレームワークは、予測の不確実性を定量化しながら、十分な精度でヒューゴニオット曲線を再現する。
論文 参考訳（メタデータ） (2026-01-10T18:54:24Z) - Anomaly to Resource: The Mpemba Effect in Quantum Thermometry [0.0]
非平衡量子温度測定は、平衡戦略と寒冷状態の両方を過渡的に上回ることを示す。
その結果、非平衡量子温度測定の一般的な設計原理として異常緩和が確立された。
論文 参考訳（メタデータ） (2026-01-08T15:51:47Z) - BITS for GAPS: Bayesian Information-Theoretic Sampling for hierarchical GAussian Process Surrogates [45.88028371034407]
本稿では,階層型GAussian Process Surrogates (BITS for GAPS) のためのベイズ情報理論サンプリングについて紹介する。
BITS for GAPSは、既知の物理がシステムの一部を支配しているシリアルハイブリッドモデリングをサポートする。
候補入力位置から得られる期待情報を定量化するエントロピーに基づく取得関数を導出する。
論文 参考訳（メタデータ） (2025-11-20T21:36:21Z) - Discovery of Sustainable Refrigerants through Physics-Informed RL Fine-Tuning of Sequence Models [12.04169043797071]
Refgenは、機械学習と物理地上の帰納バイアスを統合する生成パイプラインである。
本稿では、機械学習と物理基底の帰納バイアスを統合した生成パイプラインであるRefgenを紹介する。
論文 参考訳（メタデータ） (2025-09-23T21:24:35Z) - 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) - Neural-network quantum states for ultra-cold Fermi gases [49.725105678823915]
この研究は、メッセージパッシングアーキテクチャに基づいたバックフロー変換を含む、新しいPfaffian-Jastrowニューラルネットワーク量子状態を導入する。
逆スピン対分布関数による強いペアリング相関の出現を観察する。
この結果から, ニューラルネットワーク量子状態は, 超低温フェルミガスの研究に有望な戦略をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-05-15T17:46:09Z)
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。