nach oben

Technical Physics

Erschienen in:

10.10.2023

Physics-Informed Radial Basis-Function Networks

verfasst von: V. I. Gorbachenko, D. A. Stenkin

Erschienen in: Technical Physics | Ausgabe 8/2023

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Analysis of the possibilities of physics-informed neural networks intended for solution of boundary-value problems for partial differential equations is carried out. The possibilities of using radial basis-function networks as physics-informed neural networks are shown. Networks of radial basis functions for solving forward and inverse problems describing processes in piecewise homogeneous media have been proposed and investigated on model problems.

Nächster Artikel Solution of an Integrodifferential Equation Containing Linear Functions of a Special Form in the Coefficients

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

E. Lagaris, A. Likas, and D. I. Fotiadis, IEEE Trans. Neural Networks 9 (5), 987 (1998).CrossRefPubMed

N. Yadav, A. Yadav, and M. Kumar, An Introduction to Neural Network Methods for Differential Equations (Springer, Dordrecht, 2015).CrossRef

G. Cybenko, Math. Control, Signals Syst. 2, 303 (1989).CrossRef

K. Hornik, Neural Networks 4 (2), 251 (1991). https://doi.org/10.1016/0893-6080(91)90009-TCrossRef

B. Hanin, Universal function approximation by deep neural nets with bounded width and ReLU activations (2017). https://arxiv.org/abs/1708.02691v2

M. Raissi, P. Perdikaris, and G. E. Karniadakis, Physics informed deep learning (Part I): Data-driven solutions of nonlinear partial differential equations (2017). https://arxiv.org/abs/1711.10561

M. Raissi, P. Perdikaris, and G. E. Karniadakis, Physics informed deep learning (Part II): Data-driven discovery of nonlinear partial differential equations (2017). https://arxiv.org/abs/1711.10566

M. Raissi, P. Perdikaris, and G. E. Karniadakis, J. Comput. Phys. 378, 686 (2019).ADSMathSciNetCrossRef

G. E. Karniadakis, I. G. Kevrekidis, L. Lu, and L. Yang, Nat. Rev. Phys. 3, 422 (2021).CrossRef

10.

A. G. Bavdin, B. A. Pearlmutter, A. A. Radul, and J. M. Siskind, J. Mach. Learn. Res. 18 (1), 1 (2018).

11.

S. Cuomo, V. S. D. Cola, F. Giampaolo, G. Rozza, M. Raissi, and F. Piccialli, J. Sci. Comput. 92, 88 (2022).CrossRef

12.

M. J. Kochenderfer and T. A. Wheeler, Algorithms for Optimization (MIT Press, Cambridge, 2019).

13.

V. Lakshmanan, S. Robinson, and M. Munn, Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps (O’Reilly Media, 2020).

14.

D. Tarkhov and A. Vasilyev, Semi-Empirical Neural Network Modeling and Digital Twins Development (Academic, Cambridge, 2019).

15.

A. A. Ramabathiran and P. Ramachandran, J. Comput. Phys. 445, 110600 (2021).

16.

M. M. Alqezweeni, R. A. Glumskov, V. I. Gorbachenko, and D. A. Stenkin, Solving partial differential equations on radial basis functions networks and on fully connected deep neural networks, in Proc. in Adaptation, Learning and Optimization: Proc. Int. Conf. on Intelligent Vision and Computing (ICIVC 2021) (Springer, Cham, 2022), Vol. 15, p. 240. https://doi.org/10.1007/978-3-030-97196-0_20

17.

C. C. Aggarwal, Neural Networks and Deep Learning: A Textbook (Springer, Cham, 2018). https://doi.org/10.1007/978-3-319-94463-0CrossRef

18.

P. Niyogi and F. Girosi, Neural Comput. 8 (4), 819 (1996).CrossRef

19.

V. I. Gorbachenko and M. V. Zhukov, Comput. Math. Math. Phys. 57, 145 (2017). https://doi.org/10.1134/S0965542517010079MathSciNetCrossRef

20.

M. M. Alqezweeni and V. I. Gorbachenko, Modeli, Sist., Seti Ekon., Tekh., Prirode O-ve, No. 3 (23), 123 (2017). https://mss.pnzgu.ru/mss11317

21.

D. W. Marquardt, J. Soc. Ind. Appl. Math. 11 (2), 431 (1963).CrossRef

22.

H. S. Carslaw, Introduction to the Mathematical Theory of the Conduction of Heat in Solids (Franklin Classic, Blackweel, 2018).

23.

J. H. Abou-Kassem, M. Rafiqul Islam, and S. M. Farouq-Ali, Petroleum Reservoir Simulation: The Engineering Approach (Gulf Professional, Houston, 2020).

24.

M. P. Anderson, W. W. Woessner, and R. J. Hunt, Applied Groundwater Modeling: Simulation of Flow and Advective Transport (Academic, Cambridge, 2015).

25.

D. A. Stenkin and V. I. Gorbachenko, Solving equations describing processes in a piecewise homogeneous medium on radial basis functions networks, in Advances in Neural Computation, Machine Learning, and Cognitive Research IV. NEUROINFORMATICS 2020. Studies in Computational Intelligence (Springer, Cham, 2021), Vol. 925, p. 412. https://doi.org/10.1007/978-3-030-60577-3_49CrossRef

26.

V. I. Gorbachenko and D. A. Stenkin, Solving of inverse coefficient problems on networks of radial basis functions, in Advances in Neural Computation, Machine Learning, and Cognitive Research V. NEUROINFORMATICS 2021. Studies in Computational Intelligence (Springer, Cham, 2022), Vol. 1008, p. 230. https://doi.org/10.1007/978-3-030-91581-0_31CrossRef

27.

A. A. Samarskii and P. N. Vabishchevich, Numerical Methods for Solving Inverse Problems of Mathematical Physics (Walter de Gruyter, Berlin, 2007).CrossRef

28.

V. A. Morozov, Methods for Solving Incorrectly Posed Problems (Springer-Verlag, New York, 1984). https://doi.org/10.1007/978-1-4612-5280-1CrossRef

Titel: Physics-Informed Radial Basis-Function Networks
verfasst von: V. I. Gorbachenko
D. A. Stenkin
Publikationsdatum: 10.10.2023
Verlag: Pleiades Publishing
Erschienen in: Technical Physics / Ausgabe 8/2023
Print ISSN: 1063-7842
Elektronische ISSN: 1090-6525
DOI: https://doi.org/10.1134/S1063784223050018

Premium Partner

Marktübersichten

Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen.

Zur Marktübersicht

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Weitere Artikel der Ausgabe 8/2023

Numerical Technique for Determining the Bifurcation Points of the Nonlinear Maxwell Operator (Maxwell’s Equations Together with the Landau–Lifshitz Equation)

Structural Factors of Hardening of U8A Carbon Tool Steel under Cyclic Heat Exposure

Asymptotic Behavior Associated with the Definition of One Boundary Value Problem for the Laplace Equation

Solution of an Integrodifferential Equation Containing Linear Functions of a Special Form in the Coefficients

Numerical Investigation of Electromagnetic Wave Scattering from an Inhomogeneous Solid and a Curvilinear Perfectly Conducting Screen

Analysis of Parametric Instability of Waves in Magnetic Nanogratings from the Bifurcation Points of the Nonlinear Maxwell Operator

Premium Partner

Marktübersichten