PulseAugur
中
实时 11:59:09
English(EN) Probabilistic Physics-Informed Neural Networks for Estimating Heterogeneous Elastic Properties from Low-Resolution and Noisy Displacement Data

新的PIE-PINN框架增强了从噪声数据中估计弹性特性的能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个概率逆弹性物理信息神经网络（PIE-PINN）框架，该框架旨在从噪声和低分辨率的位移数据中稳健地估计非均匀弹性特性。该新框架使用拉普拉斯分布来建模观测、应变差异和平衡残差。它结合了B样条引导的位移网络和分层半柯西模型，以提高准确性并自适应地降低拟合误差的权重，在不同噪声水平和分辨率的案例研究中表现出显著的稳健性。 AI

影响 通过更有效地处理噪声和低分辨率数据，该框架可以提高工程和科学应用中材料特性估计的准确性。

排序理由 该集群包含一篇描述新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的PIE-PINN框架增强了从噪声数据中估计弹性特性的能力

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Jaesung Lee ·

    用于从低分辨率和噪声位移数据中估计非均匀弹性特性的概率物理信息神经网络

    Estimating spatially heterogeneous elastic properties from low-resolution displacement measurements is a severely ill-posed inverse elasticity problem because low resolution obscures spatial details needed to distinguish heterogeneous property variations, and small measurement pe…

  2. arXiv stat.ML TIER_1 English(EN) · Tatthapong Srikitrungruang, Jaesung Lee ·

    用于从低分辨率和噪声位移数据中估计非均匀弹性特性的概率物理信息神经网络

    arXiv:2607.14563v1 Announce Type: cross Abstract: Estimating spatially heterogeneous elastic properties from low-resolution displacement measurements is a severely ill-posed inverse elasticity problem because low resolution obscures spatial details needed to distinguish heterogen…

相关实体

相关话题