Physics informed neural networks for solving inverse thermal wave coupled boundary-value problems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Casting BVPs for steady-state amplitude and phase of a dynamic TW field with spatially variant cooling. • Introducing PINNs to solve the BVP of TWs. • Developing a dimensionless BVP framework for the PINN loss function. • Presenting a novel method for filtering the DC component of TWs in thermal diffusivity measurement. As one of the essential parameters in thermophysical analysis, effective measurement of thermal diffusivity is necessary. This paper utilizes the Physics-Informed Neural Networks (PINN) framework to simulate the diffusion of thermal waves. The governing equations / boundary-value problem (BVP) for the thermal waves are expressed in a coupled partial differential form, derived using the method of separation of variables. The inverse problem associated with the coupled partial differential equations is solved using a dimensionless equation / BVP with a loss function that incorporates physical information. Even in the presence of experimental system errors, the neural network (NN) method introduced in this work (“new NN method”) was shown to be capable of robustly solving the thermal wave inverse problem without nonlinear DC components at different spatial locations, for determining the unknown thermal diffusivity of green (unsintered) metal powder compact materials. The results indicate that the coupled partial differential equations for the amplitude and phase of thermal waves within the PINN framework represent a promising strategy for determining thermophysical parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle