論文の概要: Physics-Informed Modeling for Wood Thermal Analysis and Prediction

• arxiv url: http://arxiv.org/abs/2606.23402v1
• Date: Mon, 22 Jun 2026 14:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 19:19:28.208189
• Title: Physics-Informed Modeling for Wood Thermal Analysis and Prediction
• Title（参考訳）: 木質熱分析と予測のための物理インフォームドモデリング
• Authors: Jingren Xie, Alex John Buckthal, Ryan Anthony O'Connor, Isak Worre Foged, Dim P. Papadopoulos,
• Abstract要約: 木質材料は複雑で空間的に変化する熱的性質を示し、材料均質性の伝統的なアーキテクチャ上の仮定に挑戦する。 本研究では, 偏微分方程式(PDE)を統合した物理インフォームド深層学習フレームワークを提案し, 空間的に不均一な木材材料の画素レベルの熱応答を予測する。
• 参考スコア（独自算出の注目度）: 3.0362041827502413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wood materials exhibit complex, spatially varying thermal properties that challenge traditional architectural assumptions of material homogeneity. Although data-driven approaches can directly map wood RGB images to their corresponding thermal responses, they operate as uninterpretable black boxes that prioritize statistical correlation and may absorb experimental noise rather than thermodynamic plausibility. To address these limitations, we present physics-informed deep learning frameworks that integrate partial differential equations (PDEs) to predict pixel-level thermal responses of spatially heterogeneous wood materials using wood RGB images and testbed temperature maps. Specifically, we investigate two distinct approaches to enforcing a normalized 2D steady-state heat transfer equation derived from the general heat transfer equation: Physics-Informed Convolutional Neural Networks (PICNNs), which embed physics as a soft penalty term in the loss function, and Physics-Integrated Convolutional Neural Networks (PInteCNNs), which hard-code an analytical approximator-predictor-corrector solver directly into convolutional neural networks. To validate our proposed approaches, we collect three real-world multimodal datasets of Poplar, Grandis Cross-Cut (Grandis-CC), and Grandis Radial-Cut (Grandis-RC) wood samples. We further demonstrate that embedding physical inductive biases successfully balances predictive accuracy, physical interpretability, and intra-species diversity, outperforming data-driven approaches in handling complex wood material heterogeneity and enabling the extraction of interpretable physical parameters. Project: https://zekifayes.github.io/pim
• Abstract（参考訳）: 木質材料は複雑で空間的に変化する熱的性質を示し、材料均質性の伝統的なアーキテクチャ上の仮定に挑戦する。 データ駆動型アプローチでは、木材RGB画像を対応する熱応答に直接マッピングすることができるが、統計的相関を優先し、熱力学的確率よりも実験的ノイズを吸収する、解釈不能なブラックボックスとして機能する。 これらの制約に対処するために,木質RGB画像とテストベッド温度マップを用いた空間異質木材の画素レベルの温度応答を予測するために偏微分方程式(PDE)を統合する物理インフォームド深層学習フレームワークを提案する。 具体的には、一般的な熱伝達方程式から導かれる正規化2次元定常熱伝達方程式を強制する2つの異なるアプローチとして、物理を損失関数のソフトペナルティ項として埋め込んだ物理インフォームド畳み込みニューラルネットワーク(PICNN)と、解析的近似器・予測器・予測器を畳み込みニューラルネットワークに直接ハードコードする物理インセンティブ畳み込みニューラルネットワーク(PInteCNN)について検討する。 提案手法を検証するため,Poplar,Grandis Cross-Cut (Grandis-CC),Grandis Radial-Cut (Grandis-RC) の3つの実世界のマルチモーダルデータセットを収集した。 さらに, 物理誘導バイアスの埋め込みは, 予測精度, 物理的解釈可能性, 種内多様性のバランスを保ち, 複雑な木材の異質性処理におけるデータ駆動的アプローチよりも優れ, 解釈可能な物理パラメータの抽出を可能にすることを実証した。 プロジェクト:https://zekifayes.github.io/pim

関連論文リスト

• Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation [3.697746606429496]
  本研究では,過渡表面温度測定から材料特性を定量的に再現する物理フレームワークを提案する。 NeFTYは、3次元微分場を厳密な数値解法によって最適化された連続神経場としてパラメータ化する。 提案手法は,高分解能3次元トモグラフィに必要なメモリ効率を維持しつつ,熱力学的法則をハード制約として適用する。
  論文  参考訳（メタデータ） (2026-03-11T17:59:42Z)
• PEGNet: A Physics-Embedded Graph Network for Long-Term Stable Multiphysics Simulation [8.95344024479836]
  偏微分方程式(PDE)によって支配される物理現象は、科学と工学の進歩にとって重要である。 PEGNetは物理埋め込みグラフネットワークであり、PDE誘導メッセージパスを再設計されたグラフニューラルネットワークアーキテクチャに組み込む。 従来の手法に比べて長期予測精度と物理的整合性に大きな改善が見られた。
  論文  参考訳（メタデータ） (2025-11-11T19:02:16Z)
• Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network [13.813339681786644]
  核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:42:02Z)
• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements [7.704598780320887]
  本研究では、PINNと高忠実度スペクトル要素法(SEM)を融合したハイブリッドフレームワークであるNeuroSEMを紹介した。 NeuroSEMはPINNとSEMの両方の強度を活用し、多物理問題に対する堅牢な解決策を提供する。 キャビティフローおよびシリンダーを過ぎる流れにおける熱対流に対するNeuroSEMの有効性と精度を実証した。
  論文  参考訳（メタデータ） (2024-07-30T22:01:14Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Physics-informed Convolutional Neural Networks for Temperature Field Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
  本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。 ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
  論文  参考訳（メタデータ） (2021-09-26T03:24:23Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。