PulseAugur
中
实时 16:41:49
English(EN) Collocation-based Robust Physics Informed Neural Networks for time-dependent simulations of pollution propagation under thermal inversion conditions on Spitsbergen

物理信息神经网络模拟热力逆温下的污染扩散

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个鲁棒的物理信息神经网络（PINN）框架，用于模拟随时间变化的污染传播，特别是在热力逆温条件下。该新框架采用鲁棒变分方法和基于搭配的策略来提高训练速度和准确性。该模型在斯匹次卑尔根的朗伊尔城进行了测试，以雪地摩托交通为案例研究，揭示了热力逆温如何将污染物滞留近地面，导致空气质量显著恶化。 AI

影响 引入了一种新颖的PINN方法用于环境模拟，有望改善空气质量预测。

排序理由 详细介绍物理信息神经网络新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

物理信息神经网络模拟热力逆温下的污染扩散

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Leszek Siwik, Maciej Sikora, Natalia Leszczy\'nska, Tomasz Maciej Ciesielski, Eirik Valseth, Manuela Bastidas Olivares, Marcin {\L}o\'s, Tomasz S{\l}u\.zalec, Jacek Leszczy\'nski, Maciej Paszy\'nski ·

    基于搭配的鲁棒物理信息神经网络用于斯匹次卑尔根热力逆温条件下随时间变化的污染扩散模拟

    arXiv:2604.23003v1 Announce Type: new Abstract: In this paper, we propose a Physics-Informed Neural Network framework for time-dependent simulations of pollution propagation originating from moving emission sources. We formulate a robust variational framework for the time-depende…

相关实体

相关话题