論文の概要: A Physics-Informed Neural Operator for Thermal Ranking of Low-Cost Wall Materials in Hot-Dry Climates

• arxiv url: http://arxiv.org/abs/2607.25668v1
• Date: Tue, 28 Jul 2026 12:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.840193
• Title: A Physics-Informed Neural Operator for Thermal Ranking of Low-Cost Wall Materials in Hot-Dry Climates
• Title（参考訳）: 物理インフォームドニューラル演算子による高温乾燥環境における低コスト壁材の温度ランク付け
• Abstract要約: 低コストな5つの土木壁材料の熱的ランク付けのための2段階の計算フレームワークを提案する。 このフレームワークは熱乾燥地におけるポストフロッド再構築のためのエビデンスベースの材料選択をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying cost-effective indigenous building materials that minimise heat penetration through walls is critical for indoor thermal comfort in low-income rural housing in hot-dry climates, where summer temperatures routinely exceed 45 C. We present a two-stage computational framework for thermal ranking of five low-cost indigenous wall materials: mud brick, clay-straw adobe, lime-stabilised bamboo panel, fired clay brick, and lime-mud composite. First, a validated Crank-Nicolson finite difference method (FDM) solves the one-dimensional transient heat equation with Robin boundary conditions under diurnal solar and outdoor air-temperature forcing, generating 1500 periodic-day solutions across a nine-dimensional parameter space by Latin Hypercube sampling. Second, a Physics-Informed Neural Operator (PINO) with a Fourier Neural Operator (FNO) backbone learns the parameter-to-solution operator mu -> T(x,t), enforcing both data fidelity and PDE consistency. The trained PINO attains a relative L2 field error of 5.14e-4 and a 0.201 K mean absolute error on the peak inner surface temperature, preserving the FDM material ranking exactly; PINO trained on 150 FDM samples matches a data-only FNO trained on twice as many, so the physics loss is most valuable when data are scarce. The periodic-day formulation also yields the ISO 13786 time lag and decrement factor, reproduced to within 0.99 h and 0.010. At nominal hot-dry summer conditions, clay-straw adobe achieves the best cost-performance index among widely available materials. A climate sweep, confirmed by FDM spot checks, reveals a regime boundary: under sub-ambient outdoor conditions the ranking inverts to conductive fired clay brick, delineating heat-exclusion and heat-rejection regimes. The framework supports evidence-based material selection for post-flood reconstruction in hot-dry regions.
• Abstract（参考訳）: 夏季の気温が45Cを超える温暖な気候の低所得住宅において, 室内の温暖な住宅において, 壁を通した熱浸透を最小化するコスト効率の高い土着建築資材は, 泥土, 粘土泥, ライム安定化竹板, 焼成粘土瓦, 石灰泥の5つの低コスト土着材を熱的ランク付けするための2段階の計算枠組みを提示する。 まず、Crank-Nicolson有限差分法(FDM)により、日中太陽と屋外の空気-温度強制条件下でロビン境界条件を持つ一次元過渡熱方程式を解き、ラテンハイパーキューブサンプリングにより9次元パラメータ空間に1500の周期解を生成する。 次に、フーリエ・ニューラル・オペレーター(FNO)バックボーンを持つ物理インフォームド・ニューラル・オペレータ(PINO)がパラメータ・トゥ・ソリューション・オペレーター mu -> T(x,t) を学習し、データの忠実さとPDE整合性を両立させる。 トレーニングされたPINOは5.14e-4の相対L2フィールド誤差と0.201Kの絶対誤差をピーク内部温度で達成し、FDM材料ランキングを正確に保持する。 周期日の定式化はISO 13786タイムラグとデクリメント係数も生成し、0.99hと0.010の範囲で再生される。 名目上の乾燥した夏の条件下では、粘土泥のアドベは広く利用可能な材料の中で最高のコストパフォーマンス指標を達成している。 FDMのスポットチェックで確認された気候調査では、周囲の屋外条件下では、ランクが導電性粘土レンガに逆転し、熱排熱と熱排熱の規制が緩和される。 このフレームワークは熱乾燥地におけるポストフロッド再構築のためのエビデンスベースの材料選択をサポートする。

関連論文リスト

• Tropospheric temperature and humidity profile retrieval from Meteosat Flexible Combined Imager based on deep learning [41.113886294153346]
  Meteosat Third Generation (MTG) Flexible Combined Imager (FCI)は、対流圏温度と湿度分布の新しい機会を提供する。 入力として予測プロファイルを使わずにFCIから全天球・湿度分布を抽出するための空間認識型深層学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-08-26T12:16:38Z)
• A Trainable-by-Parts Operator Learning Framework: Bridging DeepONet and Karhunen-Loeve Expansions for Large-Scale Applications [46.07145155913717]
  我々はKL-DNN(Karhunen-Loeve Deep Neural Network)に基づくスケーラブルな演算子学習フレームワークを提案する。 このモデルは、170万の細胞と50の時間ステップを持つ3次元領域において、100の大規模なシミュレーションのサンプルからなるデータセットで訓練される。
  論文  参考訳（メタデータ） (2026-06-26T18:15:24Z)
• Urban Heat MiniCubes: An AI-Ready dataset for urban heat research [35.306432670332065]
  Cube Heat Mini-Cubes"は、都市熱研究における機械学習応用のための公開データセットである。 このデータセットは2022-2023年の西半球48都市に対して90×90kmの格子状データキューブを提供する。
  論文  参考訳（メタデータ） (2026-06-10T00:34:20Z)
• Physically Consistent Machine Learning for Melting Temperature Prediction of Refractory High-Entropy Alloys [0.0]
  我々は, 元素特性に基づく複素合金のTm予測のために, 勾配ブースト決定木(XGBoost)モデルを開発した。 最適化されたモデルは、0.948の判定係数(R2)と平均正方形誤差(MSE)を9928で達成する。
  論文  参考訳（メタデータ） (2026-01-07T10:59:24Z)
• Physics-Informed Learning of Flow Distribution and Receiver Heat Losses in Parabolic Trough Solar Fields [1.1458853556386799]
  パラボリックトラフ 集光ソーラー発電所は、コレクターループの大規模な油圧ネットワークを運用している。 ループ温度は測定されているが、ループレベルの質量流と受信熱損失パラメータは観測されていない。 本稿では,ループレベルの質量流量比を推定する物理インフォームド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T18:16:26Z)
• STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting [42.05696072296056]
  大気汚染予測は、都市管理と健全な建物の開発に不可欠である。 車やバスなどのモバイルプラットフォームにポータブルセンサーをデプロイすることで、低コストで、メンテナンスが容易で、広範なデータ収集ソリューションを提供する。 これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
  論文  参考訳（メタデータ） (2025-12-04T02:17:19Z)
• Physics-Informed Neural Networks for Thermophysical Property Retrieval [0.9668407688201359]
  逆熱問題(英: inverse heat problem)とは、観測された熱拡散挙動や既知の熱拡散挙動によって与えられる物質的熱物性を推定することを指す。 本稿では,壁面の熱伝導率kを熱電図の集合から推定するためのPINNに基づく反復的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-28T18:41:08Z)
• Interactive Atmospheric Composition Emulation for Next-Generation Earth System Models [0.0]
  地球系モデル(ESM)のインタラクティブシミュレーションは、各段階ごとに多数のガスやエアロゾルを輸送するため、計算コストがかかる。 我々は、機械学習(ML)を使用してModelE NINTトレーサバージョンを拡張し、インタラクティブなエミッションをエミュレートするSmartINTを作成する。 Smart NINTは、気象データを入力としてMLを用いてインタラクティブに濃度を計算し、完全な物理パラメータ化を避ける。
  論文  参考訳（メタデータ） (2025-10-12T15:18:37Z)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• A machine learning platform for development of low flammability polymers [42.758516311179534]
  可燃性指数 (FI) とコーンカロリー測定結果(最大放火率, 点火時間, 総煙放出量, 発火速度など)は, 高分子の火災安全性を評価する上で重要な要因である。 本研究では,これらの可燃性指標を予測するための機械学習(ML)技術の利用について検討する。
  論文  参考訳（メタデータ） (2025-03-31T20:50:29Z)
• A Multimodal Physics-Informed Neural Network Approach for Mean Radiant Temperature Modeling [0.0]
  本研究では,短波・長波放射モデリングと深層学習技術を統合した物理インフォームドニューラルネットワーク(PINN)手法を提案する。 気象データ,建築環境特性,魚眼画像由来シェーディング情報を含むマルチモーダルデータセットを活用することにより,物理的整合性を維持しつつ予測精度を向上させる。
  論文  参考訳（メタデータ） (2025-03-11T14:36:08Z)
• Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data [37.69303106863453]
  化学反応ニューラルネットワーク(CRNN)は、モリセル21700 P45Bから得られたARCデータにN方程式のアレニウスODEの運動パラメータを適合させるために訓練される。 この手法の柔軟性は、2方程式と4方程式のモデルを用いて実験することによって実証される。
  論文  参考訳（メタデータ） (2024-08-21T20:39:41Z)
• Deep Learning for Melt Pool Depth Contour Prediction From Surface Thermal Images via Vision Transformers [40.80426609561942]
  レーザー粉層融合(L-PBF)時に発生する溶融プール間の十分な重なり合いは、核融合欠陥の欠如につながる。 高速カラーイメージングにより観察されたその場2色熱画像と溶融プール断面の2次元形状を相関付ける機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-26T20:55:39Z)
• Niobium coaxial cavities with internal quality factors exceeding 1.5 billion for circuit quantum electrodynamics [37.74682733310708]
  ニオブやタンタルのようなグループV材料は、回路量子電磁力学(cQED)プラットフォームの性能を拡大するための一般的な選択肢となっている。 ニオブの複雑な表面化学は、ミリケルビン温度と単光子パワーにおいてデコヒーレンスの主要なモードの同定を困難にする。 我々はニオブ同軸四面体キャビティを用いて、エッチング化学、大気暴露の長期化、特に水酸化ニオブの進化前後の空洞条件が単一光子コヒーレンスに与える影響を調べた。
  論文  参考訳（メタデータ） (2024-03-01T05:07:10Z)

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。