Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión
Los PINNs (Physics-informed Neural Networks) son redes neuronales entrenadas bajo restricciones suaves en la forma de los modelos matemáticos que respetan las leyes de la física (Raissi, Perdikaris, & Karniadakis, 2018). A diferencia de las aplicaciones tradicionales de las redes neuronales que...
- Autores:
-
Sanabria Trimiño, Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/64702
- Acceso en línea:
- http://hdl.handle.net/1992/64702
- Palabra clave:
- Pinns
Redes neuronales
Machine learning
Difusión
Physics Informed Neural Networks
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_bcd88d5d760cdc8f3b816d5502039889 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/64702 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| title |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| spellingShingle |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión Pinns Redes neuronales Machine learning Difusión Physics Informed Neural Networks Ingeniería |
| title_short |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| title_full |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| title_fullStr |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| title_full_unstemmed |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| title_sort |
Prueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusión |
| dc.creator.fl_str_mv |
Sanabria Trimiño, Felipe |
| dc.contributor.advisor.none.fl_str_mv |
González Mancera, Andrés Leónardo |
| dc.contributor.author.none.fl_str_mv |
Sanabria Trimiño, Felipe |
| dc.subject.keyword.none.fl_str_mv |
Pinns Redes neuronales Machine learning Difusión Physics Informed Neural Networks |
| topic |
Pinns Redes neuronales Machine learning Difusión Physics Informed Neural Networks Ingeniería |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
Los PINNs (Physics-informed Neural Networks) son redes neuronales entrenadas bajo restricciones suaves en la forma de los modelos matemáticos que respetan las leyes de la física (Raissi, Perdikaris, & Karniadakis, 2018). A diferencia de las aplicaciones tradicionales de las redes neuronales que requieren datos de entrenamiento, (reconocimiento de imágenes, transacciones fraudulentas, identificación de enfermedades) los PINNs no necesariamente los requiere (o al menos, poca información) (Arzani, Wang, & D´Souza, 2021). Sin embargo, el paradigma original de los PINNs obliga al problema a ser modelado con una única red neuronal. Por lo tanto, el trabajo se ve motivado a integrar métodos numéricos al paradigma de PINNs y acelerar la etapa de entrenamiento de las redes. El método es intuitivo; entreno un PINN en un instante de tiempo hasta alcanzar una tolerancia definida por el modelador y luego avanzo en el tiempo con un método numérico e.g., Eueler hacia adelante, para actualizar la solución, así sucesivamente. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-02-06T20:21:56Z |
| dc.date.available.none.fl_str_mv |
2023-02-06T20:21:56Z |
| dc.date.issued.none.fl_str_mv |
2023-02-06 |
| dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.es_CO.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/64702 |
| dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/64702 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.es_CO.fl_str_mv |
Anderson, J., Dick, E., Degrez, G., Grundmann, R., Degroote, J., & Vierendeels, J. (2009). Computational Fluid Dynamics: An Introduction. von Karman Institute. Arzani, A., Wang, J.-X., & D´Souza, R. M. (2021). Uncovering near-wall blood flow from sparse data with physics-informed neural networks. Barba, L. A., & Forsyth, G. F. (2017). 12 Steps to Navier Stokes. Retrieved from https://nbviewer.org/github/barbagroup/CFDPython/blob/master/lessons/01_Step_1.ipynb Baydin, A., Pearlmutter, B., Radul, A., & Siskid, J. (2018). Automatic Differentiation in Machine Learning: a Survey. Caterini, A., & Chang, D. (2018). Deep Neural Networks in a Mathematical Framework. Springer. Cuomo, S., Schiano, V., Giampaolo, F., Rozza, G., Raissi, M., & Piccialli, F. (2022). Scientific Machine Learning Through Physics-Informed Neural Networks: Where we are and What's Next. Cybenko, G. (1989). Approximation by Superpositions of a Sigmoidal Function. Mathematics of Control, Signals, and Systems. Graesser, L. (2017). Introduction to Deep Learning: Concepts and Fundamentals. Griewank, A., & Walther, A. (2008). Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation. Philadelphia: Society for Industrial and Applied Mathematics. Holl, P., Thuerey, N., Mueller, M., Schnell, P., Trost, F., & Um, K. (2021). Physics-based Deep Learning. Khalil, E. E. (2012). CFD History and Applications. Cairo: Cairo University. Kopal, Z. (1947). Tables of Supersonic Flow Around Cones. Cambridge: Depart of Electrical Engineering, Center of Analysis, Massachusetts Institute of Technology. Lu, L., Xuhui, M., Zhiping, M., & Karniadakis, G. (2021). DeepXDE: A Deep Learning Library for Solving Differential Equations. Meng, X., Li, Z., Dongkun, Z., & Karniadakis, G. E. (2020). PPINN: Parareal physics informed neural network for time-dependent PDEs. ScienceDirect Michelucci, U. (2018). Applied Deep Learning. Dübendorf: Apress. Niedoba, P., ¿ermák, L., & Jícha, M. (2013). Meshfree methods for computational fluid dynamics. Brno: Brno University of Technology. Raissi, M., Perdikaris, P., & Karniadakis, G. (2018). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Elsevier. Ramirez, F. (2021). Ecuaciones diferenciales parciales parabólicas. Bogotá D.C., Colombia. Toscano, J. (2022). Learning Python Physics Informed Neural Networks PINNs DeepONets. Retrieved from Github: https://github.com/jdtoscano94/Learning Python-Physics-Informed-Machine-Learning-PINNs-DeepONets/tree/main/PINNs Um, K., Brand, R., Fei, Y., Holl, P., & Thuerey, N. (2021). Solver-in-the-Loop: Learning from Differentiable Physics to Interact with Iterative PDE-Solvers. Wengert, R. E. (1964). A Simple Automatic Derivative Evaluation Program. New York: General Electric Company. |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
32 |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Mecánica |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Mecánica |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/52198fa6-351c-42a9-bdb1-576f184ead0e/download https://repositorio.uniandes.edu.co/bitstreams/1dc35b45-3859-4079-a84b-0a452f906e4d/download https://repositorio.uniandes.edu.co/bitstreams/ab9df482-44e3-4760-ae25-3fd45241bf46/download https://repositorio.uniandes.edu.co/bitstreams/f7b554f8-d5cf-4fa6-8b9d-cea014c4a377/download https://repositorio.uniandes.edu.co/bitstreams/9473f73b-b1ba-4516-a7c6-ee9faaa6c777/download https://repositorio.uniandes.edu.co/bitstreams/8cdc59e4-454d-48ae-a92b-4367f79f21d8/download https://repositorio.uniandes.edu.co/bitstreams/160de43f-9277-4252-a7f2-7a649c803528/download |
| bitstream.checksum.fl_str_mv |
c8e3326eb8fe0161418d486288961441 8ad52f4274196d3b922db4310df128fc 32aad508dbcbbb52609058619f6aebbc 4491fe1afb58beaaef41a73cf7ff2e27 028232f710ed38e66d565e5d437a08d8 76a1207b4aaaf8d95f689814b0f83234 5aa5c691a1ffe97abd12c2966efcb8d6 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133961947676672 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autoreshttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2González Mancera, Andrés Leónardovirtual::10330-1Sanabria Trimiño, Felipe046ad91d-e652-4037-aafc-6a2358660f0a6002023-02-06T20:21:56Z2023-02-06T20:21:56Z2023-02-06http://hdl.handle.net/1992/64702instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Los PINNs (Physics-informed Neural Networks) son redes neuronales entrenadas bajo restricciones suaves en la forma de los modelos matemáticos que respetan las leyes de la física (Raissi, Perdikaris, & Karniadakis, 2018). A diferencia de las aplicaciones tradicionales de las redes neuronales que requieren datos de entrenamiento, (reconocimiento de imágenes, transacciones fraudulentas, identificación de enfermedades) los PINNs no necesariamente los requiere (o al menos, poca información) (Arzani, Wang, & D´Souza, 2021). Sin embargo, el paradigma original de los PINNs obliga al problema a ser modelado con una única red neuronal. Por lo tanto, el trabajo se ve motivado a integrar métodos numéricos al paradigma de PINNs y acelerar la etapa de entrenamiento de las redes. El método es intuitivo; entreno un PINN en un instante de tiempo hasta alcanzar una tolerancia definida por el modelador y luego avanzo en el tiempo con un método numérico e.g., Eueler hacia adelante, para actualizar la solución, así sucesivamente.Ingeniero MecánicoPregrado32application/pdfspaUniversidad de los AndesIngeniería MecánicaFacultad de IngenieríaDepartamento de Ingeniería MecánicaPrueba de desempeño del entrelazamiento entre Pinns y diferenciación numérica aplicado a la ecuación de difusiónTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPPinnsRedes neuronalesMachine learningDifusiónPhysics Informed Neural NetworksIngenieríaAnderson, J., Dick, E., Degrez, G., Grundmann, R., Degroote, J., & Vierendeels, J. (2009). Computational Fluid Dynamics: An Introduction. von Karman Institute.Arzani, A., Wang, J.-X., & D´Souza, R. M. (2021). Uncovering near-wall blood flow from sparse data with physics-informed neural networks.Barba, L. A., & Forsyth, G. F. (2017). 12 Steps to Navier Stokes. Retrieved from https://nbviewer.org/github/barbagroup/CFDPython/blob/master/lessons/01_Step_1.ipynbBaydin, A., Pearlmutter, B., Radul, A., & Siskid, J. (2018). Automatic Differentiation in Machine Learning: a Survey.Caterini, A., & Chang, D. (2018). Deep Neural Networks in a Mathematical Framework. Springer.Cuomo, S., Schiano, V., Giampaolo, F., Rozza, G., Raissi, M., & Piccialli, F. (2022). Scientific Machine Learning Through Physics-Informed Neural Networks: Where we are and What's Next.Cybenko, G. (1989). Approximation by Superpositions of a Sigmoidal Function. Mathematics of Control, Signals, and Systems.Graesser, L. (2017). Introduction to Deep Learning: Concepts and Fundamentals.Griewank, A., & Walther, A. (2008). Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation. Philadelphia: Society for Industrial and Applied Mathematics.Holl, P., Thuerey, N., Mueller, M., Schnell, P., Trost, F., & Um, K. (2021). Physics-based Deep Learning.Khalil, E. E. (2012). CFD History and Applications. Cairo: Cairo University.Kopal, Z. (1947). Tables of Supersonic Flow Around Cones. Cambridge: Depart of Electrical Engineering, Center of Analysis, Massachusetts Institute of Technology.Lu, L., Xuhui, M., Zhiping, M., & Karniadakis, G. (2021). DeepXDE: A Deep Learning Library for Solving Differential Equations.Meng, X., Li, Z., Dongkun, Z., & Karniadakis, G. E. (2020). PPINN: Parareal physics informed neural network for time-dependent PDEs. ScienceDirectMichelucci, U. (2018). Applied Deep Learning. Dübendorf: Apress.Niedoba, P., ¿ermák, L., & Jícha, M. (2013). Meshfree methods for computational fluid dynamics. Brno: Brno University of Technology.Raissi, M., Perdikaris, P., & Karniadakis, G. (2018). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Elsevier.Ramirez, F. (2021). Ecuaciones diferenciales parciales parabólicas. Bogotá D.C., Colombia.Toscano, J. (2022). Learning Python Physics Informed Neural Networks PINNs DeepONets. Retrieved from Github: https://github.com/jdtoscano94/Learning Python-Physics-Informed-Machine-Learning-PINNs-DeepONets/tree/main/PINNsUm, K., Brand, R., Fei, Y., Holl, P., & Thuerey, N. (2021). Solver-in-the-Loop: Learning from Differentiable Physics to Interact with Iterative PDE-Solvers.Wengert, R. E. (1964). A Simple Automatic Derivative Evaluation Program. New York: General Electric Company.201821926Publicationhttps://scholar.google.es/citations?user=6mPjKkQAAAAJvirtual::10330-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000215880virtual::10330-1dfb722df-f96b-4bfa-bfd9-49a4fc1b6a32virtual::10330-1dfb722df-f96b-4bfa-bfd9-49a4fc1b6a32virtual::10330-1THUMBNAILDocumento Final 2 PG IMEC.pdf.jpgDocumento Final 2 PG IMEC.pdf.jpgIM Thumbnailimage/jpeg15084https://repositorio.uniandes.edu.co/bitstreams/52198fa6-351c-42a9-bdb1-576f184ead0e/downloadc8e3326eb8fe0161418d486288961441MD55Autorizacio¿n Entrega Trabajo de Grado FIRMADO.pdf.jpgAutorizacio¿n Entrega Trabajo de Grado FIRMADO.pdf.jpgIM Thumbnailimage/jpeg16161https://repositorio.uniandes.edu.co/bitstreams/1dc35b45-3859-4079-a84b-0a452f906e4d/download8ad52f4274196d3b922db4310df128fcMD57TEXTDocumento Final 2 PG IMEC.pdf.txtDocumento Final 2 PG IMEC.pdf.txtExtracted texttext/plain56289https://repositorio.uniandes.edu.co/bitstreams/ab9df482-44e3-4760-ae25-3fd45241bf46/download32aad508dbcbbb52609058619f6aebbcMD54Autorizacio¿n Entrega Trabajo de Grado FIRMADO.pdf.txtAutorizacio¿n Entrega Trabajo de Grado FIRMADO.pdf.txtExtracted texttext/plain1163https://repositorio.uniandes.edu.co/bitstreams/f7b554f8-d5cf-4fa6-8b9d-cea014c4a377/download4491fe1afb58beaaef41a73cf7ff2e27MD56ORIGINALDocumento Final 2 PG IMEC.pdfDocumento Final 2 PG IMEC.pdfTrabajo de Gradoapplication/pdf885471https://repositorio.uniandes.edu.co/bitstreams/9473f73b-b1ba-4516-a7c6-ee9faaa6c777/download028232f710ed38e66d565e5d437a08d8MD52Autorizacio¿n Entrega Trabajo de Grado FIRMADO.pdfAutorizacio¿n Entrega Trabajo de Grado FIRMADO.pdfHIDEapplication/pdf253805https://repositorio.uniandes.edu.co/bitstreams/8cdc59e4-454d-48ae-a92b-4367f79f21d8/download76a1207b4aaaf8d95f689814b0f83234MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/160de43f-9277-4252-a7f2-7a649c803528/download5aa5c691a1ffe97abd12c2966efcb8d6MD511992/64702oai:repositorio.uniandes.edu.co:1992/647022024-03-13 14:09:33.501https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |