ConvPINNs: Integración de capas convolucionales a redes neurales de inferencia física

ConvPINNs integra capas convolucionales en Redes Neuronales de Inferencia Física (PINNs) para la resolución de ecuaciones diferenciales en la mecánica de fluidos. El trabajo explora dos enfoques distintos: uno que incluye la ecuación diferencial directamente en la función de pérdida con entradas de una grilla espaciotemporal y otro que opera con una entrada bidimensional de condiciones iniciales, sin considerar el tiempo como variable explícita. El propósito de este estudio es evaluar si la integración de redes convolucionales simples contribuyen a una mejora en la interpretación y en la capacidad predictiva de los modelos, en comparación con las PINNs convencionales que utilizan redes completamente conectadas (FCN).

• Autores: Gómez Barrera, Daniel Fernando
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/73874
• Acceso en línea: https://hdl.handle.net/1992/73874
• Palabra clave: Physics-informed neural networks; Partial differential equation solver; Pinns; Machine learning; Diffusion; Redes neurales de inferencia física; Solucionador de ecuaciones diferenciales parciales; Difusión; Ingeniería
• Rights: openAccess
• License: Attribution-NonCommercial-ShareAlike 4.0 International