Solving Inverse Heat Transfer Problems Without Surrogate Models: A Fast, Data-Sparse, Physics Informed Neural Network Approach

人工神经网络 反问题 机器学习 计算机科学 人工智能 反向 替代模型 数学 几何学 数学分析
作者
Vivek Oommen,Balaji Srinivasan
出处
期刊:Journal of Computing and Information Science in Engineering [ASM International]
卷期号:22 (4) 被引量:33
标识
DOI:10.1115/1.4053800
摘要

Abstract Physics informed neural networks have been recently gaining attention for effectively solving a wide variety of partial differential equations. Unlike the traditional machine learning techniques that require experimental or computational databases for training surrogate models, physics informed neural network avoids the excessive dependence on prior data by injecting the governing physical laws as regularizing constraints into the underlying neural network model. Although one can find several successful applications of physics informed neural network in the literature, a systematic study that compares the merits and demerits of this method with conventional machine learning methods is not well explored. In this study, we aim to investigate the effectiveness of this approach in solving inverse problems by comparing and contrasting its performance with conventional machine learning methods while solving four inverse test cases in heat transfer. We show that physics informed neural network is able to solve inverse heat transfer problems in a data-sparse manner by avoiding surrogate models altogether. This study is expected to contribute toward a more robust and effective solution for inverse heat transfer problems. We intend to sensitize researchers in inverse methods to this emerging approach and provide a preliminary analysis of its advantages and disadvantages.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
遥安完成签到 ,获得积分10
4秒前
5秒前
快乐秋玲完成签到,获得积分10
7秒前
Ir应助科研通管家采纳,获得10
7秒前
7秒前
科研通AI5应助科研通管家采纳,获得10
7秒前
hhhblabla应助科研通管家采纳,获得10
7秒前
8秒前
Akim应助科研通管家采纳,获得10
8秒前
hhhblabla应助科研通管家采纳,获得10
8秒前
8秒前
华仔应助苏碧萱采纳,获得10
9秒前
肖淑美完成签到 ,获得积分10
10秒前
peter应助LL采纳,获得20
11秒前
佳佳发布了新的文献求助10
11秒前
Dandy完成签到,获得积分10
12秒前
12秒前
仙林AK47完成签到,获得积分10
14秒前
小二郎应助zhen采纳,获得10
15秒前
周周南完成签到 ,获得积分10
15秒前
11发布了新的文献求助10
15秒前
无敌暴龙学神完成签到,获得积分10
16秒前
天涯倦客完成签到,获得积分10
16秒前
Zephyr完成签到,获得积分10
16秒前
上官若男应助GGBOND采纳,获得10
17秒前
利乐完成签到,获得积分10
17秒前
19秒前
Ngu完成签到,获得积分10
19秒前
momo完成签到,获得积分10
20秒前
20秒前
SS完成签到,获得积分10
22秒前
22秒前
乐乐应助cczz采纳,获得10
23秒前
CF发布了新的文献求助30
25秒前
Hu111发布了新的文献求助10
26秒前
27秒前
SS发布了新的文献求助10
27秒前
齐俞如完成签到,获得积分10
28秒前
尛瞐慶成发布了新的文献求助10
29秒前
高分求助中
Continuum Thermodynamics and Material Modelling 2000
Neuromuscular and Electrodiagnostic Medicine Board Review 1000
こんなに痛いのにどうして「なんでもない」と医者にいわれてしまうのでしょうか 510
いちばんやさしい生化学 500
The First Nuclear Era: The Life and Times of a Technological Fixer 500
岡本唐貴自伝的回想画集 500
Atmosphere-ice-ocean interactions in the Antarctic 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3679124
求助须知:如何正确求助?哪些是违规求助? 3232092
关于积分的说明 9801454
捐赠科研通 2943290
什么是DOI,文献DOI怎么找? 1613834
邀请新用户注册赠送积分活动 761902
科研通“疑难数据库(出版商)”最低求助积分说明 737106