Modeling global surface dust deposition using physics-informed neural networks
Loading...
Date
2023
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Las 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.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2023
Keywords
Physics-informed neural networks, Machine learning, Predictive modeling, Numerical diffusion, Deep learning method