Buchumschlag

PINN-FEM: A Hybrid Approach for Enforcing Dirichlet Boundary Conditions in Physics-Informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sobh, Nahil, Gladstone, Rini Jasmine, Meidani, Hadi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Multi-Fidelity Graph U-Net Model for Accelerated Physics Simulations
von: Gladstone, Rini Jasmine, et al.
Veröffentlicht: (2024)

Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders
von: Gladstone, Rini Jasmine, et al.
Veröffentlicht: (2021)

A Novel Method for Enforcing Exactly Dirichlet, Neumann and Robin Conditions on Curved Domain Boundaries for Physics Informed Machine Learning
von: Dong, Suchuan, et al.
Veröffentlicht: (2026)

Geometry-Informed Neural Operator Transformer
von: Liu, Qibang, et al.
Veröffentlicht: (2025)

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

LT-PINN: Lagrangian Topology-conscious Physics-informed Neural Network for Boundary-focused Engineering Optimization
von: Zhou, Yuanye, et al.
Veröffentlicht: (2025)

End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment
von: Liu, Tong, et al.
Veröffentlicht: (2023)

Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment
von: Liu, Tong, et al.
Veröffentlicht: (2024)

Graph Neural Network Surrogate for Seismic Reliability Analysis of Highway Bridge Systems
von: Liu, Tong, et al.
Veröffentlicht: (2022)

Graph Neural Networks for Travel Distance Estimation and Route Recommendation Under Probabilistic Hazards
von: Liu, Tong, et al.
Veröffentlicht: (2025)

Supply Chain Network Extraction and Entity Classification Leveraging Large Language Models
von: Liu, Tong, et al.
Veröffentlicht: (2024)

Gradient Enhanced Self-Training Physics-Informed Neural Network (gST-PINN) for Solving Nonlinear Partial Differential Equations
von: Iyer, Narayan S, et al.
Veröffentlicht: (2025)

Spectral Informed Neural Network: An Efficient and Low-Memory PINN
von: Yu, Tianchi, et al.
Veröffentlicht: (2024)

Scale-PINN: Learning Efficient Physics-Informed Neural Networks Through Sequential Correction
von: Chiu, Pao-Hsiung, et al.
Veröffentlicht: (2026)

Physics-informed Discretization-independent Deep Compositional Operator Network
von: Zhong, Weiheng, et al.
Veröffentlicht: (2024)

WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks
von: Walter, Linus, et al.
Veröffentlicht: (2025)

Biology-informed neural networks learn nonlinear representations from omics data to improve genomic prediction and interpretability
von: Kontolati, Katiana, et al.
Veröffentlicht: (2025)

Multi-Class Traffic Assignment using Multi-View Heterogeneous Graph Attention Networks
von: Liu, Tong, et al.
Veröffentlicht: (2025)

A Physics Informed Neural Network (PINN) Methodology for Coupled Moving Boundary PDEs
von: Kathane, Shivprasad, et al.
Veröffentlicht: (2024)

Picard-KKT-hPINN: Enforcing Nonlinear Enthalpy Balances for Physically Consistent Neural Networks
von: Lastrucci, Giacomo, et al.
Veröffentlicht: (2025)

Enhancing Convergence Speed with Feature-Enforcing Physics-Informed Neural Networks: Utilizing Boundary Conditions as Prior Knowledge for Faster Convergence
von: Jahaninasab, Mahyar, et al.
Veröffentlicht: (2023)

Evolutionary Optimization of Physics-Informed Neural Networks: Evo-PINN Frontiers and Opportunities
von: Wong, Jian Cheng, et al.
Veröffentlicht: (2025)

Evidential Physics-Informed Neural Networks for Scientific Discovery
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

Statistical Learning Analysis of Physics-Informed Neural Networks
von: Barajas-Solano, David A.
Veröffentlicht: (2026)

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

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

Quantum Noise Tomography with Physics-Informed Neural Networks
von: Sulc, Antonin
Veröffentlicht: (2025)

Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy
von: Lee, Wei Shan, 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)

Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

PINGS: Physics-Informed Neural Network for Fast Generative Sampling
von: Prasha, Achmad Ardani, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Solving Derivative-Constrained PDEs
von: Hoshisashi, Kentaro, et al.
Veröffentlicht: (2026)

Kronecker-Factored Approximate Curvature for Physics-Informed Neural Networks
von: Dangel, Felix, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Fourier Features and Attention-Driven Decoding
von: Arni, Rohan, et al.
Veröffentlicht: (2025)

Exact Enforcement of Temporal Continuity in Sequential Physics-Informed Neural Networks
von: Roy, Pratanu, et al.
Veröffentlicht: (2024)

ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks
von: Wu, Haixu, et al.
Veröffentlicht: (2025)

DiffGrad for Physics-Informed Neural Networks
von: Rahman, Jamshaid Ul, et al.
Veröffentlicht: (2024)

Bayesian Reasoning for Physics Informed Neural Networks
von: Graczyk, Krzysztof M., et al.
Veröffentlicht: (2023)

Finite-PINN: A Physics-Informed Neural Network with Finite Geometric Encoding for Solid Mechanics
von: Li, Haolin, et al.
Veröffentlicht: (2024)

Physics-Informed Boundary Integral Networks (PIBI-Nets): A Data-Driven Approach for Solving Partial Differential Equations
von: Nagy-Huber, Monika, et al.
Veröffentlicht: (2023)