論文の概要: Physics-guided spatiotemporal neural models for fuel density prediction
- arxiv url: http://arxiv.org/abs/2607.06999v1
- Date: Wed, 08 Jul 2026 04:46:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.283439
- Title: Physics-guided spatiotemporal neural models for fuel density prediction
- Title（参考訳）: 物理誘導時空間ニューラルモデルによる燃料密度予測
- Abstract要約: 本稿では,燃料密度予測のための物理誘導型機械学習(PGML)フレームワークを提案する。
提案手法は, 質量保存燃料輸送項と拡散速度推定を含む, 物理時間的損失関数を含む。
このフレームワークは、所定の燃焼管理をサポートするために、計算効率が高く、物理的に妥当な火災予報を可能にする。
- 参考スコア（独自算出の注目度）: 0.20524609401792396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a physics-guided machine learning (PGML) framework for fuel density prediction, integrating physics constraints and domain knowledge into deep learning models to enhance model accuracy and stability. We explore three deep learning architectures -- ConvLSTM, Adaptive Fourier Neural Operator (AFNONet), and Video Vision Transformer (ViViT) -- to model the spatiotemporal evolution of fuel density. Our approach incorporates differentiable physics-informed terms in the loss function, including a mass-conserving fuel transport term and a rate-of-spread estimation. Experimental results, averaged across multiple independent trials, demonstrate that the proposed PGML framework outperforms purely data-driven baselines without physics constraints in both accuracy and stability. This framework enables computationally efficient, physically plausible fire forecasting to support adaptive prescribed burn management.
- Abstract（参考訳）: 本稿では,物理制約とドメイン知識を深層学習モデルに統合し,モデルの精度と安定性を向上させるための物理誘導型機械学習(PGML)フレームワークを提案する。
燃料密度の時空間進化をモデル化するために,3つのディープラーニングアーキテクチャ(ConvLSTM,Adaptive Fourier Neural Operator (AFNONet),Video Vision Transformer (ViViT))を探索する。
提案手法は, 質量保存燃料輸送項と拡散速度推定を含む, 損失関数の物理インフォームド項を含む。
複数の独立試験で平均化された実験結果から,提案したPGMLフレームワークは,精度と安定性の両面で物理制約を伴わずに,純粋にデータ駆動ベースラインを上回る性能を示した。
このフレームワークは、適応的な所定の燃焼管理をサポートするために、計算効率が高く、物理的に妥当な火災予報を可能にする。
関連論文リスト
- Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction [13.239769357659412]
物理誘導型完全畳み込み学習フレームワークを導入し,構造進化を予測する。
提案手法は, 物理方程式をトレーニング対象に明示的に組み込むことにより, 学習力学が既知の法則と整合性を保つことを奨励する。
論文 参考訳（メタデータ） (2026-06-18T23:20:51Z) - Prediction of Steady-State Flow through Porous Media Using Machine Learning Models [3.2250618460602705]
多孔質媒体を流れる流れは、冷板の位相最適化における重要なステップである。
従来の計算流体力学法は、大規模かつ複雑な測地にとって、しばしば不当に高価である。
そこで我々は,Navier-Stokes-Brinkman方程式による多孔質媒質による定常流れの予測を行う機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-03-06T14:28:46Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。
バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。
PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-11T10:50:49Z) - Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。
このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。
パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2025-08-11T01:32:09Z) - PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。
具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。
実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
論文 参考訳（メタデータ） (2025-07-01T14:48:22Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Controlled physics-informed data generation for deep learning-based
remaining useful life prediction under unseen operation conditions [3.6750425865066925]
本研究は,制御された物理インフォームドデータ生成手法と深層学習に基づく予後予測モデルを組み合わせたものである。
新たに制御された物理インフォームド生成逆数ネットワーク (CPI-GAN) を開発し, 合成劣化軌道を生成する。
生成された軌道はRUL予測の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-04-23T17:34:26Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z)
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。