論文の概要: Physics-Informed Neural Network Modeling of Biodegradable Contaminant Transport through GCL/SL Composite Liners

• arxiv url: http://arxiv.org/abs/2606.04392v1
• Date: Wed, 03 Jun 2026 03:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.506355
• Title: Physics-Informed Neural Network Modeling of Biodegradable Contaminant Transport through GCL/SL Composite Liners
• Title（参考訳）: GCL/SLコンポジットリニアを用いた生分解性汚染物質輸送の物理インフォームニューラルネットワークモデリング
• Authors: Dong Li, Yapeng Cao, Haiping Zhao, Shutong Han,
• Abstract要約: 本研究は,GCL/SLコンポジットライナーシステムを用いた汚染物質輸送のための2領域物理インフォームドニューラルネットワークフレームワークを開発した。 2つの定式化は、異なる浸出水頭条件下での分析および有限要素参照解に対して評価される。
• 参考スコア（独自算出の注目度）: 5.025316722929474
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study develops a two-domain physics-informed neural network framework for contaminant transport through a GCL/SL composite liner system, in which the thin GCL layer is treated using a steady-state advection-dispersion-biodegradation formulation and the underlying soil liner is modeled as a transient transport domain. Two formulations are evaluated against analytical and finite-element reference solutions under different leachate-head conditions: a standard PINN with soft constraint enforcement (Std-PINN) and a hard-constrained PINN (H-PINN), in which selected boundary and initial conditions are embedded directly into the trial solutions. The Std-PINN captures the overall breakthrough behavior but shows larger errors during the early transport stage, particularly under higher leachate heads where advective transport becomes more pronounced. The H-PINN reduces the optimization burden associated with penalty-based constraint enforcement and provides more accurate and stable concentration predictions, lowering the MAE from approximately 0.058-0.067 for the Std-PINN to about 0.011-0.023 for the H-PINN, while reducing the MRE from approximately 9.10%-19.16% to about 2.08%-3.14%. Parametric analyses confirm that the H-PINN with the tanh activation function and an optimized network structure provides the best predictive accuracy. The H-PINN is further extended to inverse modeling for identifying the SL degradation half-life from limited concentration observations, showing reliable convergence toward prescribed values and acceptable robustness under low-to-moderate observation noise.
• Abstract（参考訳）: 本研究は,GCL/SL複合ライナーシステムによる汚染物質輸送のための2領域の物理インフォームドニューラルネットワークフレームワークを開発し,GCL層を定常吸着・分散・生物分解法により処理し,その基盤となる土壌ライナーを過渡輸送領域としてモデル化する。 ソフト制約付きPINN (Std-PINN) とハード制約付きPINN (H-PINN) の2つの定式化を行い, 選択された境界条件と初期条件を直接試行錯誤した。 Std-PINNは、全体的なブレークスルーの挙動をとらえるが、初期の輸送段階、特に対流輸送がより顕著になる高い浸出頭の下では、より大きなエラーを示す。 H-PINNは、ペナルティベースの制約執行に関連する最適化の負担を軽減し、より正確で安定した濃度予測を提供し、Std-PINNのMAEを約0.058-0.067から約0.011-0.023に減らし、MREを約9.10%-19.16%から約2.08%-3.14%に減らした。 パラメトリック解析により,タングアクティベーション関数と最適化ネットワーク構造を備えたH-PINNが最適予測精度を提供することを確認した。 H-PINNは、限定濃度の観測からSL劣化半減期を同定するための逆モデリングにも拡張され、所定値に対する信頼性の高い収束と、低変量観測ノイズ下での許容ロバスト性を示す。

関連論文リスト

• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• 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)
• Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems [11.570920716097552]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される逆問題を解決するための有望な枠組みを提供する PDE逆問題の性質の悪さはノイズに非常に敏感である。 P-PINNは、事前訓練されたPINNにおいて、破損したデータの影響を解き放つために設計された選択型プルーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-02-23T15:29:50Z)
• Homogenization with Guaranteed Bounds via Primal-Dual Physically Informed Neural Networks [0.6999740786886536]
  本稿では、熱伝導性複合材料の均質化の信頼性を向上させるために、PINNフレームワークの二重定式化を提案する。 我々は,スムーズな材料近似に適用された標準PINNと,スペクトルとニューラルネットワークを用いたテスト関数を用いて変動PINN(VPINN)を比較した。 以上の結果から,強い形状のPINNは制御条件下でVPINNよりも優れているが,物質的不連続性に敏感であり,明確な診断なしに失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-09T10:42:55Z)
• Accelerating Drug Safety Assessment using Bidirectional-LSTM for SMILES Data [0.0]
  Bi-Directional Long Short Term Memory (BiLSTM) は、入力分子配列を処理するリカレントニューラルネットワーク(RNN)の変種である。 提案した研究は、SMILES文字列にコードされたシーケンシャルパターンを理解することを目的としており、それによって分子の毒性を予測する。
  論文  参考訳（メタデータ） (2024-07-08T18:12:11Z)
• Entanglement Distribution Delay Optimization in Quantum Networks with Distillation [51.53291671169632]
  量子ネットワーク(QN)は、分散量子コンピューティングとセンシングアプリケーションを実現するために絡み合った状態を分散する。 QSリソース割り当てフレームワークは、エンド・ツー・エンド(e2e)の忠実度を高め、最小レートと忠実度を満たすために提案される。
  論文  参考訳（メタデータ） (2024-05-15T02:04:22Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Dynamic weights enabled Physics-Informed Neural Network for simulating the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
  工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。 ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。 この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
  論文  参考訳（メタデータ） (2022-10-25T07:55:20Z)
• 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。