24.05.2024; Запоріжжя, Україна: IV Міжнародна наукова конференція «Інновації та науковий потенціал світу»
Роботи, що індексуються в Google Scholar

ПЛАНУВАННЯ ЕКСПЕРИМЕНТІВ ТА МЕТОД РОЮ ЧАСТОК ОПТИМІЗАЦІЇ НЕЙРОМЕРЕЖЕВИХ МЕТОДІВ РОЗВ’ЯЗАННЯ КРАЙОВИХ ЗАДАЧ

  • А. Ярош ,
  • О. Кудін
DOI: https://doi.org/10.62731/mcnd-24.05.2024.002
PDF

Опубліковано 05.06.2024

Як цитувати

Ярош , А., & Кудін , О. (2024). ПЛАНУВАННЯ ЕКСПЕРИМЕНТІВ ТА МЕТОД РОЮ ЧАСТОК ОПТИМІЗАЦІЇ НЕЙРОМЕРЕЖЕВИХ МЕТОДІВ РОЗВ’ЯЗАННЯ КРАЙОВИХ ЗАДАЧ. Матеріали конференцій МЦНД, (24.05.2024; Запоріжжя, Україна), 160–163. https://doi.org/10.62731/mcnd-24.05.2024.002

Завантаження

Дані завантаження ще не доступні.

Авторське право (c) 2024 А. Ярош , О. Кудін

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.

Google Scholar

Анотація

Вступ. Крайові задачі є фундаментальними в інженерії через їх ключову роль у моделюванні і аналізі фізичних систем. Вони дозволяють інженерам точно прогнозувати поведінку матеріалів і конструкцій, оцінювати стійкість і надійність інженерних рішень, а також оптимізувати проєктування систем і процесів. Завдяки крайовим задачам інженери можуть аналізувати і прогнозувати поведінку систем при різних умовах навантаження, температури, тиску тощо, що допомагає виявляти потенційні проблеми і здійснювати заходи для їх усунення до впровадження проєкту.

PDF

Посилання

  1. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural net-works: A deep learning framework for solving forward and inverse prob-lems involving nonlinear partial differential equations. Journal of Computa-tional Physics 378, 2019, 686–707.
  2. Lu L., Meng X., Mao Z. and Karniadakis G. Em. DeepXDE: A deep learning library for solving differential equations. SIAM Review, volume 63, 1,pp. 208-228, 2021, DOI: 10.1137/19M1274067
  3. Zubov K. , McCarthy Z. , Ma Y. , Calisto F., Pagliarino V., Azeglio S., Bottero L., Luján E., Sulzer V., Bharambe A., Vinchhi N., Balakrishnan K., Upadhyay D., Rackauckas C. NeuralPDE: Automating Physics-Informed Neural Networks (PINNs) with Error Approximations, 2021. https://doi.org/10.48550/arXiv.2107.09443.
  4. Hennigh O., Narasimhan S., Nabian M.A., Subramaniam A., Tangsali K., Rietmann M., Aguila Ferrandis J., Byeon W., Fang Z., Choudhry S. NVIDIA SimNetTM: an AI-accelerated multi-physics simulation framework, 2020. https://doi.org/10.48550/arXiv.2012.07938
  5. Ehsan Haghighat, Ruben Juanes. SciANN: A Keras/TensorFlow wrapper for scientific computations and physics-informed deep learning using artificial neural networks, Computer Methods in Applied Mechanics and Engineering, Volume 373, 2021, 113552, ISSN 0045-7825, https://doi.org/10.1016/j.cma.2020.113552.
  6. Reza Akbarian Bafghi and Maziar Raissi. PINNs-Torch: Enhancing Speed and Usability of Physics-Informed Neural Networks with PyTorch, 2023. URL: https://openreview.net/forum?id=nl1ZzdHpab
  7. Liaw R., Liang E., Nishihara R., Moritz P., Gonzalez J.E., Stoica I. Tune: A Research Platform for Distributed Model Selection and Training, 2018. arXiv preprint arXiv:1807.05118
  8. Akiba T., Sano S., Yanase T., Ohta T., Koyama M. Optuna: A Next-generation Hyperparameter Optimization Framework. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2019. https://doi.org/10.1145/3292500.3330701
  9. Simon D. Evolutionary Optimization Algorithms. Wiley, 2013. 784 p.
  10. Surowiec I., Vikström L., Hector G., Johansson E., Vikström C., Trygg J. Generalized Subset Designs in Analytical Chemistry. Anal. Chem. 2017, 89, 12, 6491–6497. https://doi.org/10.1021/acs.analchem.7b00506