論文の概要: Physics-Informed Neural Networks for Depth-Averaged Granular Avalanche Dynamics on Curved Topography

• arxiv url: http://arxiv.org/abs/2609.05542v1
• Date: Wed, 02 Sep 2026 12:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.091174
• Title: Physics-Informed Neural Networks for Depth-Averaged Granular Avalanche Dynamics on Curved Topography
• Title（参考訳）: 曲面地形上の深さ平均粒状雪崩ダイナミクスのための物理インフォームニューラルネットワーク
• Abstract要約: 本研究では、Savage-Hutter方程式に基づく深さ平均PINNの定式化を指数関数的に湾曲したシュートに拡張する。 段階的な時間的カリキュラムは正確な予測に不可欠であることが証明され、保持された軌道誤差を約2桁削減した。
• 参考スコア（独自算出の注目度）: 2.018091933057359
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-informed neural networks (PINNs) provide a mesh-free framework for solving governing equations, but their application to granular avalanche dynamics over curved terrain remains largely unexplored. This study extends a depth-averaged PINN formulation based on the Savage-Hutter equations to an exponentially curved chute with spatially varying inclination and a strain-rate-dependent Mohr-Coulomb earth-pressure closure. The model is validated against measured front- and rear-edge trajectories from a laboratory granular-avalanche experiment, with selected observations withheld from training. A staged temporal curriculum proved essential for accurate prediction, reducing the held-out trajectory error by approximately two orders of magnitude compared with training over the full time domain from the outset. Sparse-data experiments further showed that observation placement was more influential than observation number within the configurations tested. Four observations bracketing the transition from acceleration to deceleration achieved nearly the same accuracy as the eight-observation reference configuration, whereas observations clustered at early or late times performed poorly. The results demonstrate the importance of both training strategy and informative data placement when applying PINNs to granular flows over curved topography.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、支配方程式を解くためのメッシュフリーなフレームワークを提供するが、曲線地形上の粒状雪崩力学への応用は、未解明のままである。 本研究では,Savage-Hutter方程式に基づく深さ平均PINNの定式化を,空間的傾斜が変化する指数関数的に湾曲したシュートと,ひずみ速度依存性のMohr-Coulomb地圧閉包に拡張する。 実験室のグラニュラー・アバンシュ実験から, 前縁および後縁の軌跡を計測し, 実験を行った結果, 実験結果が得られた。 段階的な時間的カリキュラムは正確な予測に不可欠であることが証明され、完全時間領域でのトレーニングと比較すると、保持された軌道誤差を約2桁減らした。 スパースデータ実験により、観測位置は、試験された構成内の観測数よりも影響が大きいことが示された。 加速度から減速への遷移をブラッキングする4つの観測は、8つの観測基準構成とほぼ同じ精度で達成した。 その結果, 曲面地形上の粒状流にPINNを適用する場合, トレーニング戦略と情報配置の両方の重要性が示された。

関連論文リスト

• Scalar Representations of Neural Network Training Dynamics [1.9583341377413463]
  人工ニューラルネットワークのトレーニングは、高次元のロスランドスケープを通して進化する軌道と見なすことができる。 このようなスカラー埋め込みがニューラルネットワークのトレーニング力学の低次元表現に意味があるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-06-29T14:40:03Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化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） (2023-01-19T20:04:36Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
  勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。 これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
  論文  参考訳（メタデータ） (2021-07-19T20:18:57Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Towards Reflectivity profile inversion through Artificial Neural Networks [0.0]
  スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。 本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-10-15T10:09:09Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)
• Higher-order Quasi-Monte Carlo Training of Deep Neural Networks [0.0]
  本稿では,DNN (Deep Neural Network) によるDtO (Data-to-Observable) マップのトレーニングに準モンテカルロ点を用いた新しいアルゴリズム手法と誤差解析を提案する。
  論文  参考訳（メタデータ） (2020-09-06T11:31:42Z)

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。