論文の概要: Generalized PINN-Based Inverse Estimation of Spatially Varying Heat Transfer Coefficients with Transfer Learning

• arxiv url: http://arxiv.org/abs/2610.14008v1
• Date: Mon, 28 Sep 2026 21:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:38:09.04742
• Title: Generalized PINN-Based Inverse Estimation of Spatially Varying Heat Transfer Coefficients with Transfer Learning
• Title（参考訳）: 一般化PINNに基づく伝達学習による空間変動熱伝達係数の逆推定
• Abstract要約: PWL(Piecewise-linear)とニューラルネットワーク境界推定器は、過渡的な内部温度測定から推定される。 H1$-seminorm に基づく勾配正則化を持つ離散随伴-FEM の定式化は、独立な逆メソッド比較を与える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study investigates generalized boundary representations and transfer learning for physics-informed neural-network (PINN) estimation of spatially varying convective heat transfer coefficients (HTCs) in jet impingement cooling. Piecewise-linear (PWL) and neural-network boundary estimators are inferred from transient interior-temperature measurements and evaluated against CFD-CHT reference HTC profiles at Reynolds numbers of 5000, 10000 and 15000. A discrete Adjoint-FEM formulation with gradient regularization based on the $H^1$-seminorm provides an independent inverse-method comparison. Transfer learning is investigated under two source-target conditions: transfer between noise levels at the same Reynolds number, and transfer from a controlled Gaussian-profile problem to CFD-CHT-derived target problems at different Reynolds numbers. For the representative Re = 5000 target with 5% measurement noise, quadratic, PWL, and neural-network PINNs achieve relative HTC-profile errors of 5.08, 5.31 and 5.19%, respectively, while generalized representations reduce the error for the Re = 15000 target from 16.76% for the quadratic PINN to 14.41% and 14.46%. Transfer learning reduces target-training time by 57.86-81.71% for fixed-Reynolds-number transfer and by 50.59-84.94% for Gaussian-to-CHT transfer. Its effect on reconstruction accuracy is target dependent: fixed-profile PWL transfer remains within 0.30 percentage points of scratch training, whereas Gaussian-to-CHT transfer produces differences of 0.10-1.52 percentage points across targets and representations. These results demonstrate that generalized PINN representations can accommodate spatially varying HTC profiles without a prescribed quadratic form, while transfer learning can substantially reduce target-training cost for repeated inverse estimation, with the resulting reconstruction accuracy depending on source-target compatibility.
• Abstract（参考訳）: 本研究では, ジェット衝突冷却における空間的に変化する対流熱伝達係数 (HTC) の推定のための一般境界表現と遷移学習について検討した。 PWL(Piecewise-linear)とニューラルネットワーク境界推定器(Neural-network boundary estimator)は、過渡的な内部温度測定から推定され、レイノルズにおけるCFD-CHT参照HTCプロファイル(5000, 10000, 15000)に対して評価される。 H^1$-seminorm に基づく勾配正則化を持つ離散随伴-FEMの定式化は、独立な逆メソッド比較を与える。 移動学習は、同じレイノルズ数における雑音レベル間の移動と、制御されたガウス問題から異なるレイノルズ数におけるCFD-CHT由来の目標問題への移動の2つの条件下で研究される。 5%の測定ノイズを持つRe = 5000ターゲットでは、二次的、PWL、ニューラルネットワークPINNはそれぞれ5.08、5.31、および5.19%の相対的なHTCの誤差を達成し、一般化された表現は、Re = 15000ターゲットの誤差を2次PINNの16.76%から14.41%、14.46%に減少させる。 移動学習は、固定レイノルズ数転送の目標訓練時間を57.86-81.71%、ガウス-CHT転送の50.59-84.94%削減する。 固定されたPWL転送はスクラッチトレーニングの0.30パーセンテージ以内に留まるが、ガウス-CHT転送はターゲットと表現の間で0.10-1.52パーセンテージの差を生み出す。 これらの結果から、一般化されたPINN表現は、所定の二次形式を使わずに空間的に変化するHTCプロファイルに対応できることが示され、トランスファー学習は、ソース・ターゲットの適合度に応じて再構成精度を向上し、反復的逆推定の目標学習コストを大幅に削減できることが示された。

関連論文リスト

• Sequential Learning-Based Physics-Informed Neural Network Modeling for Parameter Estimation on a Power Converter [0.8099700053397276]
  時間領域データから直流バックコンバータのインダクタンス,容量,寄生抵抗を同定するために,段階的物理情報ニューラルネットワーク(PINN)を提案する。 5段階のスケジュールでは、LとCは5%以内、ESRは10%に回復し、3段階のバリエーションは同じ精度で11%高速化される。 84の因子スイープにより、トレーニングされたPINNは4つのコンポーネントの同時8%の摂動に対して正確であり、5msで2.6 x 10-2の波形RMSEを達成することが確認された。
  論文  参考訳（メタデータ） (2026-10-14T11:48:19Z)
• QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
  QuPIDは、量子パラメータ効率の入力依存型検索適応である。 凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。 凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
  論文  参考訳（メタデータ） (2026-09-27T08:22:58Z)
• CSCWD: Cross-Scale Channel-wise Knowledge Distillation for Lightweight Tiny Object Detection on Edge Devices [0.45835414225547183]
  本研究は,CSCWD(Cross-Scale Channel-wise Knowledge Distillation)について述べる。 CSCWDは、学生の推論アーキテクチャを変更することなく、YOLO11m-P2教師からコンパクトなYOLO11n学生に高解像度空間表現を転送する。 結果は、推論時間モデル複雑性を増大させることなく、小さなターゲット検出を改善するために、クロススケール蒸留をサポートする。
  論文  参考訳（メタデータ） (2026-09-24T18:02:25Z)
• Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks [0.17188280334580194]
  大気補正は光リモートセンシングにおける重要な前処理ステップである。 本研究では,大気補正係数をエミュレートする物理対応多面体サロゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T22:43:25Z)
• RETO: A Rotary-Enhanced Transformer Operator for High-Fidelity Prediction of Automotive Aerodynamics [8.003602893483466]
  本稿では,二段階空間認識機構を備えたニューラルソルバを提案する。 回転エンハンス変換演算子(RETO)はShapeNetとDrivAerMLデータセット上で検証される。 AB-UBTの表面圧力と速度誤差は 0.102 と 0.124 であり、RegDGCNN は 0.235 と 0.312 である。
  論文  参考訳（メタデータ） (2026-04-30T06:43:30Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)

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。