Dissertation/ Thesis
أعرض في EDS

ConvPINNs: Integración de capas convolucionales a redes neurales de inferencia física

التفاصيل البيبلوغرافية
العنوان: ConvPINNs: Integración de capas convolucionales a redes neurales de inferencia física
المؤلفون: Gómez Barrera, Daniel Fernando
المساهمون: González Mancera, Andrés Leonardo
بيانات النشر: Universidad de los Andes
Ingeniería Mecánica
Facultad de Ingeniería
Departamento de Ingeniería Mecánica
سنة النشر: 2024
المجموعة: Universidad de los Andes Colombia: Séneca
مصطلحات موضوعية: Physics-informed neural networks, Partial differential equation solver, Pinns, Machine learning, Diffusion, Redes neurales de inferencia física, Solucionador de ecuaciones diferenciales parciales, Difusión, Ingeniería
الوصف: ConvPINNs integra capas convolucionales en Redes Neuronales de Inferencia Física (PINNs) para la resolución de ecuaciones diferenciales en la mecánica de fluidos. El trabajo explora dos enfoques distintos: uno que incluye la ecuación diferencial directamente en la función de pérdida con entradas de una grilla espaciotemporal y otro que opera con una entrada bidimensional de condiciones iniciales, sin considerar el tiempo como variable explícita. El propósito de este estudio es evaluar si la integración de redes convolucionales simples contribuyen a una mejora en la interpretación y en la capacidad predictiva de los modelos, en comparación con las PINNs convencionales que utilizan redes completamente conectadas (FCN). ; ConvPINNs integrates convolutional layers into Physics-Informed Neural Networks (PINNs) for solving differential equations in fluid mechanics. The work explores two distinct approaches: one that incorporates the differential equation directly into the loss function with inputs from a spatiotemporal grid and another that operates with a two-dimensional input of initial conditions, without considering time as an explicit variable. The purpose of this study is to assess whether the integration of simple convolutional networks contributes to an improvement in interpretability and predictive accuracy of the models, compared to conventional PINNs that utilize fully connected networks (FCN). ; Ingeniero Mecánico ; Pregrado
نوع الوثيقة: bachelor thesis
وصف الملف: 39 páginas; application/pdf
اللغة: Spanish; Castilian
Relation: Baydin, A. G., Pearlmutter, B. A., y Siskind, J. M. (2018). Automatic differentiation in machine learning: a survey. The Journal of Machine Learning Research, 18 , 1-43.; Cai, S., Mao, Z.,Wang, Z., Yin, M., y Karniadakis, G. E. (2021). Physics-informed neural networks (pinns) for fluid mechanics: A review. Acta Mechanica Sinica, ppb-ppb.; Chiu, P. H., Wong, J. C., Ooi, C., Dao, M. H., y Ong, Y. S. (2022, 5). Can-pinn: A fast physics-informed neural network based on coupled-automatic–numerical differentiation method. Computer Methods in Applied Mechanics and Engineering, 395 , 114909. doi:10.1016/J.CMA.2022.114909; Cuomo, S., Schiano, V., Cola, D., Giampaolo, F., Rozza, G., Raissi, M., y Piccialli, F. (2022, 7). Scientific machine learning through physics–informed neural networks: Where we are and what’s next. Journal of Scientific Computing 2022 92:3 , 92 , 1-62. Descargado de https://link.springer.com/article/10.1007/s10915-022-01939-z doi:10.1007/S10915-022-01939-Z; Dumoulin, V., y Visin, F. (2016, 3). A guide to convolution arithmetic for deep learning. Descargado de https://arxiv.org/abs/1603.07285v2 doi:10.48550/arxiv.1603.07285; Fang, Z. (2022, 10). A high-efficient hybrid physics-informed neural networks based on convolutional neural network. IEEE Transactions on Neural Networks and Learning Systems, 33 , 5514-5526. doi:10.1109/TNNLS.2021.3070878; Gao, H., Sun, L., yWang, J. X. (2020, 4). Phygeonet: Physics-informed geometry-adaptive convolutional neural networks for solving parameterized steady-state pdes on irregular domain. Journal of Computational Physics, 428 . Descargado de https://arxiv.org/abs/2004.13145v2 doi:10.1016/j.jcp.2020.110079; Kolmogorov, A. N. (1991). The local structure of turbulence in incompressible viscous fluid for very large reynolds numbers. Proceedings: Mathematical and Physical Sciences, 434 , 9-13. Descargado de http://www.jstor.org.ezproxy.uniandes.edu.co/stable/51980; Leiteritz, R., y Uger, D. P. (2021, 12). How to avoid trivial solutions in physics-informed neural networks. Descargado de https://arxiv.org/abs/2112.05620v1; Long, J., Shelhamer, E., y Darrell, T. (2015). Fully convolutional networks for semantic segmentation. En (p. 3431-3440). Descargado de http://arxiv.org/abs/1411.4038 doi:10.1109/CVPR.2015.7298965; Milano, M., y Koumoutsakos, P. (2002, 10). Neural network modeling for near wall turbulent flow. Journal of Computational Physics, 182 , 1-26. doi:10.1006/JCPH.2002.7146; Paszke, A., Gross, S., Chintala, S., Chanan, G., Yang, E., Facebook, Z. D., . . . Lerer, A. (2017). Automatic differentiation in pytorch.; Raissi, M., Perdikaris, P., y Karniadakis, G. E. (2017, 11). Physics informed deep learning: Data-driven solutions of nonlinear partial differential equations. Descargado de https://arxiv.org/abs/1711.10561v1 doi:10.48550/arxiv.1711.10561; Ren, P., Rao, C., Liu, Y., Wang, J., y Sun, H. (2021, 6). Phycrnet: Physics-informed convolutionalrecurrent network for solving spatiotemporal pdes. doi:10.1016/j.cma.2021.114399; Shi, P., Zeng, Z., y Liang, T. (2022, 1). Physics-informed convnet: Learning physical field from a shallow neural network. Descargado de https://arxiv.org/abs/2201.10967v2 doi:10.48550/arxiv.2201.10967; Waite, E. (2018). Pytorch autograd explained - in-depth tutorial. Descargado de https://www.youtube.com/watch?v=MswxJw-8PvE; Zhou, D. X. (2018, 5). Universality of deep convolutional neural networks. Applied and Computational Harmonic Analysis, 48 , 787-794. Descargado de https://arxiv.org/abs/1805.10769v2 doi:10.48550/arxiv.1805.10769; https://hdl.handle.net/1992/73874; instname:Universidad de los Andes; reponame:Repositorio Institucional Séneca; repourl:https://repositorio.uniandes.edu.co/
الاتاحة: https://hdl.handle.net/1992/73874
Rights: Attribution-NonCommercial-ShareAlike 4.0 International ; Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores ; http://creativecommons.org/licenses/by-nc-sa/4.0/ ; info:eu-repo/semantics/openAccess ; http://purl.org/coar/access_right/c_abf2
رقم الانضمام: edsbas.699EA32E
قاعدة البيانات: BASE
الوصف
الوصف غير متاح.