Modeling global surface dust deposition using physics-informed neural networks

Simple item page
dc.catalogadorpva
dc.contributor.advisorWout, Elwin van't
dc.contributor.authorMolina Catricheo, Constanza Andrea
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2023-05-18T13:58:21Z
dc.date.available2023-05-18T13:58:21Z
dc.date.issued2023
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2023
dc.description.abstractLas redes neuronales informadas por física (PINNs, por sus siglas en inglés) se han vuelto cada vez mas populares, especialmente para resolver ecuaciones diferenciales parciales (EDPs). Las PINNs pueden incorporar información física sobre el proceso en la arquitectura de la red neuronal, reduciendo el espacio de solución y convirtiéndolas en una alternativa cuando hay datos limitados, dispersos e irregulares disponibles. El objetivo de esta tesis es construir y evaluar el rendimiento de una red neuronal informada por física para medir los flujos de polvo durante los periodos del Último Máximo Glacial y Holoceno. Esta metodología combina el análisis de datos con principios físicos para mejorar la precisión de la predicción. Los resultados muestran que las PINNs son una alternativa prometedora a los métodos estadísticos como Kriging cuando hay información limitada disponible. En este estudio se incorporó la modelización física de la deposición de polvo y las PINNs predijeron con precisión los flujos realistas de polvo a lo largo de las direcciones de viento dominantes. Los resultados de este estudio son prometedores, mostrando que las PINNs pueden ser utilizadas como una alternativa efectiva cuando hay datos limitados e irregulares disponibles.
dc.fechaingreso.objetodigital2023-05-18
dc.format.extentxvii, 89 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/67017
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/67017
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/67017
dc.information.autorucEscuela de ingeniería ; Wout, Elwin van't ; 0000-0002-9096-5054 ; 1024024
dc.information.autorucEscuela de ingeniería ; Molina Catricheo, Constanza Andrea ; S/I ; 245329
dc.language.isoen
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subjectPhysics-informed neural networkses_ES
dc.subjectMachine learninges_ES
dc.subjectPredictive modelinges_ES
dc.subjectNumerical diffusiones_ES
dc.subjectDeep learning methodes_ES
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.titleModeling global surface dust deposition using physics-informed neural networkses_ES
dc.typetesis de maestría
sipa.codpersvinculados1024024
sipa.codpersvinculados245329
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_CMolina_Firma Final.pdf
Size:
7.67 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis magíster