Buchumschlag

Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Velioglu, Mehmet, Zhai, Song, Rupprecht, Sophia, Mitsos, Alexander, Jupke, Andreas, Dahmen, Manuel
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach
von: Velioglu, Mehmet, et al.
Veröffentlicht: (2026)

Sample-Efficient Reinforcement Learning of Koopman eNMPC
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2025)

Data-Driven Conditional Flexibility Index
von: Wedemeyer, Moritz, et al.
Veröffentlicht: (2026)

End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2023)

Physical Pooling Functions in Graph Neural Networks for Molecular Property Prediction
von: Schweidtmann, Artur M., et al.
Veröffentlicht: (2022)

Molecular Machine Learning in Chemical Process Design
von: Rittig, Jan G., et al.
Veröffentlicht: (2025)

Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Task-optimal data-driven surrogate models for eNMPC via differentiable simulation and optimization
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2024)

End-to-End Reinforcement Learning of Koopman Models for eNMPC of an Air Separation Unit
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2025)

Pseudo-Physics-Informed Neural Operators: Enhancing Operator Learning from Limited Data
von: Chen, Keyan, et al.
Veröffentlicht: (2025)

DeepEOSNet: Capturing the dependency on thermodynamic state in property prediction tasks
von: Pavšek, Jan, et al.
Veröffentlicht: (2025)

EquiNO: A Physics-Informed Neural Operator for Multiscale Simulations
von: Eivazi, Hamidreza, et al.
Veröffentlicht: (2025)

Hybrid Neural Ordinary Differential Equations for Data-Efficient Polymerization Modeling with Incomplete Kinetics
von: Almanasreh, Marah, et al.
Veröffentlicht: (2026)

Graph neural networks for the prediction of molecular structure-property relationships
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

Thermodynamics-Consistent Graph Neural Networks
von: Rittig, Jan G., et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Neural Operators for Parametric PDEs
von: Zhang, Zhuo, et al.
Veröffentlicht: (2025)

Learning PDE Solvers with Physics and Data: A Unifying View of Physics-Informed Neural Networks and Neural Operators
von: Dai, Yilong, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Network for Concrete Manufacturing Process Optimization
von: Varghese, Sam, et al.
Veröffentlicht: (2024)

Robust Design of Multi-Energy Systems Accounting for Mixed-Integer Operational Problems
von: Wedemeyer, Moritz, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Operators for Cardiac Electrophysiology
von: Lydon, Hannah, et al.
Veröffentlicht: (2025)

Nonlinear Model Order Reduction of Dynamical Systems in Process Engineering: Review and Comparison
von: Schulze, Jan C., et al.
Veröffentlicht: (2025)

Iterative Model-Learning Scheme via Gaussian Processes for Nonlinear Model Predictive Control of (Semi-)Batch Processes
von: Tan, Tai Xuan, et al.
Veröffentlicht: (2026)

Data vs. Physics: The Apparent Pareto Front of Physics-Informed Neural Networks
von: Rohrhofer, Franz M., et al.
Veröffentlicht: (2021)

Randomized Physics-Informed Neural Networks for Bayesian Data Assimilation
von: Zong, Yifei, et al.
Veröffentlicht: (2024)

Learning Data-Efficient and Generalizable Neural Operators via Fundamental Physics Knowledge
von: Ma, Siying, et al.
Veröffentlicht: (2026)

On the Role of Consistency Between Physics and Data in Physics-Informed Neural Networks
von: Becerra-Zuniga, Nicolás, et al.
Veröffentlicht: (2026)

PICore: Physics-Informed Unsupervised Coreset Selection for Data Efficient Neural Operator Training
von: Satheesh, Anirudh, et al.
Veröffentlicht: (2025)

Physics-Informed Geometry-Aware Neural Operator
von: Zhong, Weiheng, et al.
Veröffentlicht: (2024)

Label Propagation Training Schemes for Physics-Informed Neural Networks and Gaussian Processes
von: Zhong, Ming, et al.
Veröffentlicht: (2024)

Conformalized Physics-Informed Neural Networks
von: Podina, Lena, et al.
Veröffentlicht: (2024)

Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2024)

Improved Training of Physics-Informed Neural Networks with Model Ensembles
von: Haitsiukevich, Katsiaryna, et al.
Veröffentlicht: (2022)

Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation
von: Cestero, Julen, et al.
Veröffentlicht: (2025)

BubbleOKAN: A Physics-Informed Interpretable Neural Operator for High-Frequency Bubble Dynamics
von: Zhang, Yunhao, et al.
Veröffentlicht: (2025)

Replay-Based Continual Learning for Physics-Informed Neural Operators
von: Wang, Yizheng, et al.
Veröffentlicht: (2026)

Clapeyron Neural Networks for Single-Species Vapor-Liquid Equilibria
von: Pavšek, Jan, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions
von: Patra, Debadutta, et al.
Veröffentlicht: (2026)

Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting
von: Miranda, Miro, et al.
Veröffentlicht: (2024)

Generalized Lie Symmetries in Physics-Informed Neural Operators
von: Wang, Amy Xiang, et al.
Veröffentlicht: (2025)

Physics-Informed Laplace Neural Operator for Solving Partial Differential Equations
von: Kim, Heechang, et al.
Veröffentlicht: (2026)