Buchumschlag

Engineering application of physics-informed neural networks for Saint-Venant torsion

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jo, Su Yeong, Park, Sanghyeon, Ko, Seungchan, Park, Jongcheon, Kim, Hosung, Lee, Sangseung, Jeon, Joongoo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity
von: Dick, Josef, et al.
Veröffentlicht: (2025)

VS-PINN: A fast and efficient training of physics-informed neural networks using variable-scaling methods for solving PDEs with stiff behavior
von: Ko, Seungchan, et al.
Veröffentlicht: (2024)

Node Assigned physics-informed neural networks for thermal-hydraulic system simulation: CVH/FL module
von: Shin, Jeesuk, et al.
Veröffentlicht: (2025)

Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets
von: Khanal, Sangam, et al.
Veröffentlicht: (2025)

XRePIT: A deep learning-computational fluid dynamics hybrid framework implemented in OpenFOAM for fast, robust, and scalable unsteady simulations
von: Baral, Shilaj, et al.
Veröffentlicht: (2025)

Error analysis for finite element operator learning methods for solving parametric second-order elliptic PDEs
von: Hong, Youngjoon, et al.
Veröffentlicht: (2024)

CURing Large Models: Compression via CUR Decomposition
von: Park, Sanghyeon, et al.
Veröffentlicht: (2025)

A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation
von: Shin, Jeesuk, et al.
Veröffentlicht: (2026)

Sobolev Approximation of Deep ReLU Networks in Log-Barron Space
von: Song, Changhoon, et al.
Veröffentlicht: (2026)

FRAIN to Train: A Fast-and-Reliable Solution for Decentralized Federated Learning
von: Park, Sanghyeon, et al.
Veröffentlicht: (2025)

Visualizing the loss landscapes of physics-informed neural networks
von: Rowan, Conor, et al.
Veröffentlicht: (2026)

Enforcing hidden physics in physics-informed neural networks
von: Chen, Nanxi, et al.
Veröffentlicht: (2025)

LLM-Guided Communication for Cooperative Multi-Agent Reinforcement Learning
von: Bae, Sangjun, et al.
Veröffentlicht: (2026)

Exclusively Penalized Q-learning for Offline Reinforcement Learning
von: Yeom, Junghyuk, et al.
Veröffentlicht: (2024)

Advanced deep-reinforcement-learning methods for flow control: group-invariant and positional-encoding networks improve learning speed and quality
von: Jeon, Joongoo, et al.
Veröffentlicht: (2024)

HyQuRP: Hybrid quantum-classical neural network with rotational and permutational equivariance
von: Park, Semin, et al.
Veröffentlicht: (2026)

Strategies for training point distributions in physics-informed neural networks
von: Humagain, Santosh, et al.
Veröffentlicht: (2025)

$Δ$-PINNs: physics-informed neural networks on complex geometries
von: Costabal, Francisco Sahli, et al.
Veröffentlicht: (2022)

WGFINNs: Weak formulation-based GENERIC formalism informed neural networks
von: Park, Jun Sur Richard, et al.
Veröffentlicht: (2026)

Hybrid deep additive neural networks
von: Kim, Gyu Min, et al.
Veröffentlicht: (2024)

Pseudo-differential-enhanced physics-informed neural networks
von: Gracyk, Andrew
Veröffentlicht: (2026)

Leveraging neural network interatomic potentials for a foundation model of chemistry
von: Kim, So Yeon, et al.
Veröffentlicht: (2025)

DiffInject: Revisiting Debias via Synthetic Data Generation using Diffusion-based Style Injection
von: Ko, Donggeun, et al.
Veröffentlicht: (2024)

An efficient wavelet-based physics-informed neural network for multiscale problems
von: Pandey, Himanshu, et al.
Veröffentlicht: (2024)

Training deep physical neural networks with local physical information bottleneck
von: Wang, Hao, et al.
Veröffentlicht: (2026)

When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series
von: Park, Min-Yeong, et al.
Veröffentlicht: (2025)

Towards physics-informed neural networks for landslide prediction
von: Dahal, Ashok, et al.
Veröffentlicht: (2024)

Efficient physics-informed neural networks using hash encoding
von: Huang, Xinquan, et al.
Veröffentlicht: (2023)

Exact and approximate error bounds for physics-informed neural networks
von: Chantada, Augusto T., et al.
Veröffentlicht: (2024)

GaborPINN: Efficient physics informed neural networks using multiplicative filtered networks
von: Huang, Xinquan, et al.
Veröffentlicht: (2023)

Residual resampling-based physics-informed neural network for neutron diffusion equations
von: Zhang, Heng, et al.
Veröffentlicht: (2024)

Unified generalization analysis for physics informed neural networks
von: Hashimoto, Yuka, et al.
Veröffentlicht: (2026)

Optimal time sampling in physics-informed neural networks
von: Turinici, Gabriel
Veröffentlicht: (2024)

Representations learnt by SGD and Adaptive learning rules: Conditions that vary sparsity and selectivity in neural networks
von: Park, Jin Hyun
Veröffentlicht: (2022)

ST-LINK: Spatially-Aware Large Language Models for Spatio-Temporal Forecasting
von: Jeon, Hyotaek, et al.
Veröffentlicht: (2025)

A scaled TW-PINN: A physics-informed neural network for traveling wave solutions of reaction-diffusion equations with general coefficients
von: Han, Seungwan, et al.
Veröffentlicht: (2026)

Equation identification for fluid flows via physics-informed neural networks
von: New, Alexander, et al.
Veröffentlicht: (2024)

Randomness and signal propagation in physics-informed neural networks (PINNs): A neural PDE perspective
von: Tucny, Jean-Michel, et al.
Veröffentlicht: (2025)

ARMA Block: A CNN-Based Autoregressive and Moving Average Module for Long-Term Time Series Forecasting
von: Kim, Myung Jin, et al.
Veröffentlicht: (2025)

SCOPE-FE: Structured Control of Operator and Pairwise Exploration for Feature Engineering
von: Park, Minhee, et al.
Veröffentlicht: (2026)