文献

J-GLOBAL ID：202202282878058074   整理番号：22A0258427

Physics-Informed Neural Networksによる1次元連続体の動的解析

DYNAMIC ANALYSIS OF ONE-DIMENSIONAL CONTINUUM BASED ON PHYSICS-INFORMED NEURAL NETWORKS

著者 (3件)： 宮本崇 (山梨大学 工学域スマート社会基盤創造研究ユニット) ,  西尾真由子 (筑波大学 システム情報系) ,  CHUN Pang-jo (東京大学大学院 工学系研究科総合研究機構)
資料名： AI・データサイエンス論文集(Web)  (Artificial Intelligence and Data Science (Web))
巻： 2  号： J2  ページ： 152-156(J-STAGE)  発行年： 2021年 
JST資料番号： U2325A  ISSN： 2435-9262  資料種別： 逐次刊行物 (A)
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： 物理現象の入出力をデータ駆動的に再現するサロゲートモデルは,物理問題の高速な予測を行う代替的な手段としてその利用が進んでいるが,得られた解が物理的な条件を満足する保証がない問題が知られている.これに対して,Physics-Informed Neural Networks(PINNs)は支配方程式による拘束を表現した損失関数を導入することで,支配方程式をデータ駆動的に求解するニューラルネットワークである.本稿では,1次元連続体の自由振動問題に対してPINNsの定式化とコード実装を行う.(著者抄録)

シソーラス用語： *データフロー制御 ,  *予測モデル ,  損失関数 ,  自由振動 ,  定式化 ,  *動的解析 ,  *連続体力学 ,  *ニューラルネットワーク ,  *データ駆動 ,  機械学習技術 ,  剪断振動 ,  *モデル
準シソーラス用語： 支配方程式 ,  代替手法 ,  予測性能

著者キーワード (3件)： Physics-Informed Neural Networks ,  Continuum mechanics ,  Dynamic analysis

分類 (2件)： 人工知能  (JE08000Z) ,  固体の機械的性質一般  (BL01021C)

引用文献 (13件)：

• 1) Deng, L. and Yu, D.: Deep learning: Methods and applications, Found. Trends Signal Process., Vol.7, No.3-4, pp.197-387, June 2014.
• 2) Baxevanis, A. D., Bader, G. D., and Wishart, D. S.: <i>Bioinformatics</i>, John Wiley & Sons, May 2020.
• 3) Agrawal, A. and Choudhary, A.: Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science, APL Mater., Vol.4, No.5, pp.053208, May 2016.
• 4) Tran, V. N., Dwelle, M. C., Sargsyan, K., Ivanov, V. Y., and Kim, J.: A novel modeling framework for computationally efficient and accurate real -time ensemble flood forecasting with uncertainty quantification, Water Resour. Res., Vol.56, No.3, March 2020.
• 5) Su, G., Peng, L., and Hu, L.: A gaussian process-based dynamic surrogate model for complex engineering structural reliability analysis, Struct. Saf., Vol.68, pp.97-109, September 2017.

タイトルに関連する用語 (3件)： 1次元 ,  連続体 ,  動的解析