ترجمه فارسی مقاله یک روش شبکه عصبی آگاهانه فیزیک (PINN) برای PDE های مرزی متحرک همراه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Physics Informed Neural Network (PINN) Methodology for Coupled Moving Boundary PDEs
عنوان مقاله به فارسی یک روش شبکه عصبی آگاهانه فیزیک (PINN) برای PDE های مرزی متحرک همراه
نویسندگان Shivprasad Kathane, Shyamprasad Karagadde
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Analysis of PDEs,یادگیری ماشین , تجزیه و تحلیل PDES ,
توضیحات Submitted 17 September, 2024; originally announced September 2024. , Comments: 16 pages and 9 figures
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 16 صفحه و 9 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Physics-Informed Neural Network (PINN) is a novel multi-task learning framework useful for solving physical problems modeled using differential equations (DEs) by integrating the knowledge of physics and known constraints into the components of deep learning. A large class of physical problems in materials science and mechanics involve moving boundaries, where interface flux balance conditions are to be satisfied while solving DEs. Examples of such systems include free surface flows, shock propagation, solidification of pure and alloy systems etc. While recent research works have explored applicability of PINNs for an uncoupled system (such as solidification of pure system), the present work reports a PINN-based approach to solve coupled systems involving multiple governing parameters (energy and species, along with multiple interface balance equations). This methodology employs an architecture consisting of a separate network for each variable with a separate treatment of each phase, a training strategy which alternates between temporal learning and adaptive loss weighting, and a scheme which progressively reduces the optimisation space. While solving the benchmark problem of binary alloy solidification, it is distinctly successful at capturing the complex composition profile, which has a characteristic discontinuity at the interface and the resulting predictions align well with the analytical solutions. The procedure can be generalised for solving other transient multiphysics problems especially in the low-data regime and in cases where measurements can reveal new physics.

چکیده به فارسی (ترجمه ماشینی)

شبکه عصبی آگاهانه فیزیک (PINN) یک چارچوب یادگیری چند کاره جدید است که برای حل مشکلات فیزیکی با استفاده از معادلات دیفرانسیل (DES) با ادغام دانش فیزیک و محدودیت های شناخته شده در مؤلفه های یادگیری عمیق مفید است.طبقه بزرگی از مشکلات جسمی در علم و مکانیک مواد شامل مرزهای حرکت است ، جایی که شرایط تعادل شار رابط هنگام حل DES برآورده می شود.نمونه هایی از چنین سیستمهایی شامل جریان سطح آزاد ، انتشار شوک ، جامد سازی سیستم های خالص و آلیاژ و غیره است.رویکرد برای حل سیستم های همراه با پارامترهای حاوی متعدد (انرژی و گونه ها ، همراه با معادلات متعادل رابط).این روش از معماری متشکل از یک شبکه جداگانه برای هر متغیر با یک درمان جداگانه از هر مرحله ، یک استراتژی آموزشی که بین یادگیری زمانی و وزن گیری از دست دادن تطبیقی ​​متناوب است ، استفاده می کند.در حالی که مشکل معیار جامد شدن آلیاژ باینری را حل می کند ، در ضبط مشخصات ترکیب پیچیده کاملاً موفق است ، که یک ناپیوستگی مشخصه در رابط دارد و پیش بینی های حاصل به خوبی با راه حل های تحلیلی هماهنگ می شوند.این روش می تواند برای حل سایر مشکلات چندگانه گذرا به ویژه در رژیم کم داده و در مواردی که اندازه گیری ها می توانند فیزیک جدیدی را نشان دهند ، تعمیم داده شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.