文献

J-GLOBAL ID：202202256347606380   整理番号：22A1712279

空間特徴抽出を援用した実践的PINNsによるパラメータ逆推定

Practical PINNs Inverse Analysis with Spatial Feature Extraction

著者 (3件)： 出口翔大 (九大 大学院工学府) ,  柴田洋佑 (九大 大学院工学府) ,  浅井光輝 (九大)
資料名： 計算工学講演会論文集(CD-ROM)  (Proceedings of the Conference on Computational Engineering and Science (CD-ROM))
巻： 27  ページ： ROMBUNNO.C-07-05  発行年： 2022年06月01日 
JST資料番号： L2913B  ISSN： 1342-145X  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 豪雨と局地的な豪雨は,それらの頻度を遅く増加し,洪水と堆積物災害への注目を浴びている。それらは,しばしば,単純性のための単相流としてモデル化され,計算資源を節約しているが,経験的法則または反復操作を通して等価材料パラメータを同定することは難しい。この文脈において,逆問題に対するPINN(物理情報ニューラルネットワーク)の適用性を調べる。本研究は,従来のランダムサンプリングとは対照的に,学習前のデータサンプリング法に焦点を当て,POD(直交分解)ベースサンプリングを導入する。PODサンプリングはランダムサンプリングよりも少ないデータを必要とし,等価逆解析精度を達成し,スパースデータ問題に適していることを示している。(翻訳著者抄録)

シソーラス用語： *逆問題 ,  直交関数展開 ,  パラメータ推定 ,  粘度 ,  流体 ,  損失関数 ,  固有直交関数展開 ,  動粘度 ,  係数 ,  輸送係数 ,  度
準シソーラス用語： POD【関数】 ,  動粘性係数

分類 (1件)： 数値計算  (JE02000J)

引用文献 (12件)：

• Raissi, M., Perdikaris, P., Karniadakis, G.E.: Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations, Journal of Computational Physics, Vol. 378, pp. 686-707, 2019.
• Mao, Z., Jagtap, A.D., Karniadakis, G.E.: Physics-informed neural networks for high-speed flows, Computer Methods in Applied Mechanics and Engineering, Vol. 360, 2020.
• Jagtap, A.D., Kawaguchi, K., Karniadakis, G.E.: Adaptive activation functions accelerate convergence in deep and physics-informed neural networks, Journal of Computational Physics, Vol. 404, pp. 109136, 2020.
• My Ha, D., Tkalich, P., Chan, E.S.: Tsunami forecasting using proper orthogonal decomposition method, Journal of Geophysical Research: Oceans, Vol. 113, No. C6, 2008.
• Walton, S., Hassan, O., Morgan, K.: Reduced order modelling for unsteady fluid flow using proper orthogonal decomposition and radial basis functions, Applied Mathematical Modelling, Vol. 37, pp. 8930-8945, 2013.

タイトルに関連する用語 (4件)： 特徴抽出 ,  援用 ,  パラメータ ,  推定