Back to search

National and Kapodistrian University of Athens

Physics-informed operator learning for solving ODE/PDEs with time-dependent forcing term

Abstract

dc:description

Η τεράστια αύξηση της διαθέσιμης υπολογιστικής ισχύος έχει καταστήσει δυνατή την προσομοίωση διαφόρων προβλημάτων φυσικής επιλύοντας τις διαφορικές εξισώσεις τους γρηγορότερα. Ωστόσο, παρόλες αυτές τις τεχνολογικές εξελίξεις, η πολυπλοκότητα της όλης διαδικασίας παραμένει πρόκληση για τον εκάστοτε επαγγελματία, ενώ το υπολογιστικό κόστος παραμένει ακόμα σχετικά υψηλό. Αυτό το κόστος αυξάνεται περαιτέρω όταν εξετάζεται το πλήθος των προσομοιώσεων που απαιτούνται για την εξερεύνηση διαφορετικών φορτίων, συνοριακών και αρχικών συνθηκών μέσα σε ένα φυσικό σύστημα στα διάφορα σενάρια που συνήθως συναντώνται στην πράξη. Σε αυτήν την εργασία, με κίνητρο την επιτακτική ανάγκη να αντιμετωπιστούν αυτές οι προκλήσεις, παρουσιάζουμε και αξιολογούμε την αποτελεσματικότητα ενός νευρωνικού δικτύου βαθίας μάθησης για τελεστές (DeepONet) καθώς και την ενσωματωμένη με φυσική του προβλήματος παραλλαγή του, η οποία έχει σχεδιαστεί για να εκπαιδεύεται χωρίς ζεύγη δεδομένων εισόδου-εξόδου, ενισχύοντας έτσι την ικανότητα γενίκευσης του νευρωνικού δικτύου-τελεστή. Η διπλωματική προχωρά μετέπειτα στην διευθέτηση της αρχιτεκτονικής του νευρωνικού δικτύου τελεστή με βάση δύο διαφορετικά σενάρια: ένα σύστημα εξαναγκασμένου ταλαντωτή με σύνηθη διαφορική εξίσωση (ΣΔΕ) και ένα πρακτικό σενάριο μπαταρίας ιόντων-λιθίου που περιγράφεται από μερική διαφορική εξισώση (ΜΔΕ). Η ανάλυση του εξαναγκάσμενου ταλαντωτή αποκαλύπτει οτι η εκπαίδευση σε φορτία υψηλότερων συχνοτήτων και η χρήση υβριδικής προσέγγισης (συνδυασμός φυσικής και δεδομένων) ενισχύει την ακρίβεια και την ικανότητα γενίκευσης του μοντέλου σε χαμηλότερες συχνότητες, ενώ η χρήση ημιτονοειδούς συνάρτησης ενεργοποίησης αποκλειστικά στο πρώτο στρώμα του κύριου δικτύου (trunk net) δύναται να επιφέρει περαιτέρω βελτιώσεις. Στην περίπτωση της μπαταρίας, διερευνάται μια σειρά προσεγγίσεων για τη μοντελοποίηση του συστήματος αποκλειστικά με βάση τη φυσική γνώση, λαμβάνοντας υπόψη την περιορισμένη διαθέσιμη βιβλιογραφία σχετικά με αυτό το φλέγον ζήτημα, αποκαλύπτωντας οτι σημαντική βελτίωση μπορεί να επιτευχθεί εάν η ΜΔΕ εφαρμοσθεί επιπρόσθετα στις αρχικές και συνοριακές συνθήκες στην επιφάνεια του συστήματος. Έτσι, παρούσα εργασία θέτει τις βάσεις για μελλοντική έρευνα σε αυτό το ανεξερεύνητο πεδίο, συμβάλλοντας έτσι στην περαιτέρω εξέλιξή του.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Κάνδιας Ιωάννης-Χρήστος
  • Kandias Ioannis-Christos

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3331536

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Κάνδιας Ιωάννης-Χρήστος; Kandias Ioannis-Christos. Physics-informed operator learning for solving ODE/PDEs with time-dependent forcing term. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3331536