Buchumschlag

Physics-Informed Neural Network for Concrete Manufacturing Process Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Varghese, Sam, Anand, Rahul, Paliwal, Gaurav
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

Physics-Informed Machine Learning for Smart Additive Manufacturing
von: Sharma, Rahul, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Hard Nonlinear Equality and Inequality Constraints
von: Iftakher, Ashfaq, et al.
Veröffentlicht: (2025)

RoPINN: Region Optimized Physics-Informed Neural Networks
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

Neural Network Symmetrisation in Concrete Settings
von: Cornish, Rob
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Dynamic Process Operations with Limited Physical Knowledge and Data
von: Velioglu, Mehmet, et al.
Veröffentlicht: (2024)

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

Optimizing the Optimizer for Physics-Informed Neural Networks and Kolmogorov-Arnold Networks
von: Kiyani, Elham, et al.
Veröffentlicht: (2025)

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

Process-Informed Forecasting of Complex Thermal Dynamics in Pharmaceutical Manufacturing
von: Rubini, Ramona, et al.
Veröffentlicht: (2025)

Physics-Informed Gaussian Process Regression for the Constitutive Modeling of Concrete: A Data-Driven Improvement to Phenomenological Models
von: Li, Chenyang, et al.
Veröffentlicht: (2026)

Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks
von: Sajadi, Pouyan, et al.
Veröffentlicht: (2024)

Bayesian Physics-Informed Neural Networks for Inverse Problems (BPINN-IP): Application in Infrared Image Processing
von: Mohammad-Djafari, Ali, et al.
Veröffentlicht: (2025)

PINN-BO: A Black-box Optimization Algorithm using Physics-Informed Neural Networks
von: Phan-Trong, Dat, et al.
Veröffentlicht: (2024)

FALCON: FLOP-Aware Combinatorial Optimization for Neural Network Pruning
von: Meng, Xiang, et al.
Veröffentlicht: (2024)

Preconditioning for Physics-Informed Neural Networks
von: Liu, Songming, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Extensions
von: Raissi, Maziar, et al.
Veröffentlicht: (2024)

Complex Physics-Informed Neural Network
von: Si, Chenhao, et al.
Veröffentlicht: (2025)

Functional Tensor Decompositions for Physics-Informed Neural Networks
von: Vemuri, Sai Karthikeya, et al.
Veröffentlicht: (2024)

Architectural Strategies for the optimization of Physics-Informed Neural Networks
von: Saratchandran, Hemanth, et al.
Veröffentlicht: (2024)

The Challenges of the Nonlinear Regime for Physics-Informed Neural Networks
von: Bonfanti, Andrea, et al.
Veröffentlicht: (2024)

Fourier Feature Pyramids for Physics-Informed Neural Networks
von: Zhao, Brandon, et al.
Veröffentlicht: (2026)

Physical Informed Neural Networks for modeling ocean pollutant
von: Battina, Karishma, et al.
Veröffentlicht: (2025)

Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
von: Mazandarani, Mehran, et al.
Veröffentlicht: (2025)

The Physics Constraint Paradox: When Removing Explicit Constraints Improves Physics-Informed Data for Machine Learning
von: Ray, Rahul D
Veröffentlicht: (2025)

Topological Feature Compression for Molecular Graph Neural Networks
von: Khorana, Rahul
Veröffentlicht: (2025)

Hybrid Adaptive Modeling in Process Monitoring: Leveraging Sequence Encoders and Physics-Informed Neural Networks
von: Elaarabi, Mouad, et al.
Veröffentlicht: (2025)

Extremization to Fine Tune Physics Informed Neural Networks for Solving Boundary Value Problems
von: Thiruthummal, Abhiram Anand, et al.
Veröffentlicht: (2024)

Adapting Physics-Informed Neural Networks to Improve ODE Optimization in Mosquito Population Dynamics
von: Cuong, Dinh Viet, et al.
Veröffentlicht: (2024)

Random ReLU Neural Networks as Non-Gaussian Processes
von: Parhi, Rahul, et al.
Veröffentlicht: (2024)

Densely Multiplied Physics Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2024)

Dual-Balancing for Physics-Informed Neural Networks
von: Zhou, Chenhong, et al.
Veröffentlicht: (2025)

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

jinns: a JAX Library for Physics-Informed Neural Networks
von: Gangloff, Hugo, et al.
Veröffentlicht: (2024)

Guaranteeing Conservation Laws with Projection in Physics-Informed Neural Networks
von: Baez, Anthony, et al.
Veröffentlicht: (2024)

Coordinate Encoding on Linear Grids for Physics-Informed Neural Networks
von: Tsuchino, Tetsuro, et al.
Veröffentlicht: (2026)

Enhancing Physics-Informed Neural Networks Through Feature Engineering
von: Fazliani, Shaghayegh, et al.
Veröffentlicht: (2025)

Guaranteeing Conservation of Integrals with Projection in Physics-Informed Neural Networks
von: Baez, Anthony, et al.
Veröffentlicht: (2025)

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

An Advanced Physics-Informed Neural Operator for Comprehensive Design Optimization of Highly-Nonlinear Systems: An Aerospace Composites Processing Case Study
von: Ramezankhani, Milad, et al.
Veröffentlicht: (2024)

Architecture-Optimization Co-Design for Physics-Informed Neural Networks Via Attentive Representations and Conflict-Resolved Gradients
von: Niu, Pancheng, et al.
Veröffentlicht: (2026)