論文の概要: Physics-Informed Neural Networks for Radial Consolidation of Combined Electroosmotic, Vacuum and Surcharge Preloading Considering Smear Effects

• arxiv url: http://arxiv.org/abs/2606.00056v1
• Date: Mon, 18 May 2026 21:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.529026
• Title: Physics-Informed Neural Networks for Radial Consolidation of Combined Electroosmotic, Vacuum and Surcharge Preloading Considering Smear Effects
• Title（参考訳）: スミア効果を考慮した電気浸透圧, 真空, 加圧プレロードの放射整合のための物理インフォームニューラルネットワーク
• Authors: Dong Li, Yapeng Cao, Shuai Huang, Yujun Cui, Haiping Fu, Lu Yang, He Wei,
• Abstract要約: 3つのPINNモデルについて検討し,ソフト制約付きPINN,改良ゲート付きPINN,ハード制約境界符号化付き改良ゲート付きPINNについて検討した。 提案するフレームワークは,ネットワークアーキテクチャ,コロケーション密度,透過性コントラストなど,実用範囲で堅牢である。
• 参考スコア（独自算出の注目度）: 9.582850576845017
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study develops a dimensionless multi-domain physics-informed neural network (PINN) framework for electro-osmotic radial consolidation considering smear effects and combined vacuum and surcharge loading. Three PINN-based models are investigated: a standard soft-constrained PINN (Std-PINN), a modified gated PINN (Mod-PINN), and a modified gated PINN with hard-constraint boundary encoding (Mod-HC-PINN). The models are evaluated against FEM reference solutions under four loading cases, including constant vacuum, exponential vacuum, exponential vacuum with ramp surcharge, and exponential vacuum with cyclic haversine surcharge. The results indicate that the gated architecture applied in Mod-PINN improves the resolution of steep pressure gradients near the cathode and smear-zone interface under constant vacuum loading. Under time-dependent loading, the soft-constrained Mod-PINN shows reduced accuracy because it must learn multiple competing objectives simultaneously. The Mod-HC-PINN mitigates this issue by embedding the cathode boundary and initial conditions into the output structure, thereby reducing the optimization burden and improving physical consistency. The Mod-HC-PINN achieves MAE values of 0.43, 0.41, and 0.27 kPa for the exponential vacuum, ramp surcharge, and cyclic surcharge cases, respectively. Sensitivity analyses further demonstrate that the proposed framework remains robust across practical ranges of network architecture, collocation density, and permeability contrast.
• Abstract（参考訳）: 本研究では,スミア効果を考慮した電気浸透ラジアル整合のための無次元多領域物理インフォームドニューラルネットワーク(PINN)フレームワークを開発した。 標準ソフト制約PINN(Std-PINN)、改良ゲートPINN(Mod-PINN)、ハード制約境界符号化(Mod-HC-PINN)を備えた改良ゲートPINN(Mod-HC-PINN)の3つのモデルについて検討した。 これらのモデルは, 定常真空, 指数真空, ランプ加圧の指数真空, 環状ハーシン加圧の指数真空を含む4つの負荷条件下でのFEM基準解に対して評価される。 その結果, Mod-PINNに適用したゲート構造は, 定常真空負荷下で陰極近傍およびスミアゾーン界面付近の急勾配の分解能を向上させることが示唆された。 時間に依存したロードでは、ソフト制約のMod-PINNは複数の競合する目的を同時に学習する必要があるため、精度が低下する。 Mod-HC-PINNは、カソード境界と初期条件を出力構造に埋め込むことでこの問題を軽減し、最適化の負担を軽減し、物理的整合性を向上させる。 Mod-HC-PINNは指数真空、ランプ電荷、循環電荷の場合それぞれ0.43、0.41、0.27kPaのMAE値を達成する。 さらに、ネットワークアーキテクチャ、コロケーション密度、透過性コントラストの実践範囲において、提案したフレームワークが堅牢であることを示す。

関連論文リスト

• Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems [4.636700312219189]
  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。
  論文  参考訳（メタデータ） (2026-03-24T13:44:46Z)
• Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model [1.8836299537031278]
  強誘電体電界効果トランジスタ(FeFET)をベースとした垂直NAND(Fe-VNAND)は、プログラム電圧の低いzスケーリング限界を克服する候補として期待されている。 本稿では、しきい値電圧(Vth)シフトの高精度予測と保持動作のための物理インフォームドニューラルネットワーク(PINO)ベースのAIサロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2026-03-06T21:01:31Z)
• 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)
• HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions [16.904297509040777]
  パラメトリックPDEの幅広いクラスにまたがるゼロショット一般化のために設計された多物理ニューラル演算子であるHyPINOについて述べる。 このモデルは、PDEパラメトリゼーションをターゲットとする物理情報ニューラルネットワーク(PINN)にマッピングし、線形楕円型、双曲型、放物型方程式を2次元で扱うことができる。 HyPINOは、PINNによる7つのベンチマーク問題、U-Net、文学、物理インフォームドニューラル演算子(PINO)よりも優れたゼロショット精度を実現している。
  論文  参考訳（メタデータ） (2025-09-05T13:59:25Z)
• Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation [1.099532646524593]
  我々は,Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs), and a new proposed parameter-embedded Fourier Neural Operator (PE-FNO)の3つの演算子学習サロゲートをベンチマークした。 DeepONetは、一定の動作を正確に再現するが、よりダイナミックな負荷に対処する。FNOはメッシュ不変性を維持し、濃度誤差を1%以下に抑え、すべての負荷タイプで1.7mV以下の電圧平均絶対誤差を発生させる。PE-FNOは16スレッドのSPMソルバよりも約200倍高速に実行される。
  論文  参考訳（メタデータ） (2025-08-11T15:31:23Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• 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)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)

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。