Predicción Paramétrica del Campo de Temperaturas en un Problema de Conducción de Calor con Fuente Térmica Móvil, mediante Redes Neuronales Informadas por Física sin Datos Rotulados
DOI:
https://doi.org/10.70567/mc.v41i21.114Palabras clave:
PINN, Deep Learning, conducción de calor, solución paramétricaResumen
Las redes neuronales informadas por física (PINN, por sus siglas en inglés) son modelos de Deep Learning capaces de proporcionar soluciones paramétricas de ecuaciones en derivadas parciales, sin necesidad de contar con extensos volúmenes de datos rotulados para su entrenamiento. En este trabajo se propone utilizar este esquema para resolver las ecuaciones de gobierno del problema de conducción de calor bidimensional con fuente térmica móvil. En particular, se computan soluciones generales no sólo en función de las variables independientes espacial y temporal, sino también de un parámetro geométrico que modula la intensidad de la fuente térmica denominado radio característico. Los resultados muestran que las inferencias computadas mediante el modelo propuesto se ajustan de manera precisa a las soluciones de referencia obtenidas mediante el método de elementos finitos. No obstante, se reportan y analizan algunos modos de falla asociados con la satisfacción de las condiciones de borde, junto con aquellos encontrados a medida que la fuente térmica se torna más intensa.
Citas
Cai S., Wang Z., Wang S., Perdikaris P., y Karniadakis G.E. Physics-informed neural networks for heat transfer problems. Journal of Heat Transfer, 143(6):060801, 2021. https://doi.org/10.1115/1.4050542
Cuomo S., Di Cola V.S., Giampaolo F., Rozza G., Raissi M., y Piccialli F. Scientific machine learning through physics-informed neural networks: Where we are and what's next. Journal of Scientific Computing, 92(3):88, 2022. https://doi.org/10.1007/s10915-022-01939-z
De Ryck T., Bonnet F., Mishra S., y de Bézenac E. An operator preconditioning perspective on training in physics informed machine learning. arXiv preprint arXiv:2310.05801, 2023.
Deguchi S. y Asai M. Dynamic & norm-based weights to normalize imbalance in back-propagated gradients of physics-informed neural networks. Journal of Physics Communications, 7(7):075005, 2023. https://doi.org/10.1088/2399-6528/ace416
Goodfellow I., Bengio Y., y Courville A. Deep Learning. MIT Press, 2016. http://www.deeplearningbook.org.
Hosseini E., Ghanbari P.G., Müller O., Molinaro R., y Mishra S. Single-track thermal analysis of laser powder bed fusion process: Parametric solution through physics-informed neural networks. Computer Methods in Applied Mechanics and Engineering, 410:116019, 2023. https://doi.org/10.1016/j.cma.2023.116019
Karniadakis G.E., Kevrekidis I.G., Lu L., Perdikaris P., Wang S., y Yang L. Physics-informed machine learning. Nature Reviews Physics, 3(6):422-440, 2021. https://doi.org/10.1038/s42254-021-00314-5
Krishnapriyan A., Gholami A., Zhe S., Kirby R., y Mahoney M.W. Characterizing possible failure modes in physics-informed neural networks. Advances in neural information processing systems, 34:26548-26560, 2021.
McClenny L.D. y Braga-Neto U.M. Self-adaptive physics-informed neural networks. Journal of Computational Physics, 474:111722, 2023. https://doi.org/10.1016/j.jcp.2022.111722
Mishra S. y Molinaro R. Estimates on the generalization error of physics-informed neural networks for approximating pdes. IMA Journal of Numerical Analysis, 43(1):1-43, 2023. https://doi.org/10.1093/imanum/drab093
Nocedal J. y Wright S.J. Numerical optimization. Springer, 1999. https://doi.org/10.1007/b98874
Rabczuk T. y Bathe K.J. Machine Learning in Modeling and Simulation: Methods and Applications. Springer, 2023. Part of the book series: Computational Methods in Engineering & the Sciences (CMES). https://doi.org/10.1007/978-3-031-36644-4
Raissi M., Perdikaris P., y Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational physics, 378:686-707, 2019. https://doi.org/10.1016/j.jcp.2018.10.045
Wang S., Teng Y., y Perdikaris P. Understanding and mitigating gradient flow pathologies in physics-informed neural networks. SIAM Journal on Scientific Computing, 43(5):A3055-A3081, 2021. https://doi.org/10.1137/20M1318043
Xie J., Chai Z., Xu L., Ren X., Liu S., y Chen X. 3d temperature field prediction in direct energy deposition of metals using physics informed neural network. The International Journal of Advanced Manufacturing Technology, 119(5):3449-3468, 2022. https://doi.org/10.1007/s00170-021-08542-w
Zhu Q., Liu Z., y Yan J. Machine learning for metal additive manufacturing: predicting temperature and melt pool fluid dynamics using physics-informed neural networks. Computational Mechanics, 67:619-635, 2021. https://doi.org/10.1007/s00466-020-01952-9
Álvarez Hostos J.C., Storti B., Tourn B.A., y Fachinotti V.D. Solving heat conduction problems with a moving heat source in arc welding processes via an overlapping nodes scheme based on the improved element-free galerkin method. International Journal of Heat and Mass Transfer, 192:122940, 2022. https://doi.org/10.1016/j.ijheatmasstransfer.2022.122940
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Asociación Argentina de Mecánica Computacional
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación es de acceso abierto diamante, sin ningún tipo de costo para los autores ni los lectores.
Solo se publicarán aquellos trabajos que han sido aceptados para su publicación y han sido presentados en el congreso de AMCA.
