Please use this identifier to cite or link to this item: http://repositorio.yachaytech.edu.ec/handle/123456789/689
Title: Level set methods enhancement based on artificial intelligence
Authors: Manzanilla Morillo, Raúl
Chachalo Perugachi, Roberth Adrián
Keywords: Método de conjunto de nivel
Ecuación de conjunto de nivel
Redes neuronales
Level set method
Level set equation
Neuronal networks
Issue Date: Dec-2023
Publisher: Universidad de Investigación de Tecnología Experimental Yachay
Abstract: Este proyecto se enfocó en desarrollar modelos continuos y discretos de redes neuronales basados en principios físicos para resolver un problema de ecuación diferencial parcial conocido como ecuación de conjunto de nivel; en el contexto del método de conjunto de nivel, sin condiciones de borde. La red neuronal se entrena utilizando datos de soluciones numéricas obtenidas a partir de métodos de diferencias finitas, incluyendo el método de difusión ascendente de primer orden y los métodos de orden superior, como el esencialmente no oscilatorio y el esencialmente no oscilatorio ponderado para la discretización espacial, así como el método Runge-Kutta de tercer orden con disminución de variación total para la discretización temporal. Además, se emplea el método de características para obtener la solución analítica del problema, que se utiliza para comparar con las soluciones numéricas y las predicciones de las redes neuronales desarrolladas. Las soluciones inferidas por los modelos son relativamente buenas desde el punto de vista de los errores L1 y L2; pero la calidad de los datos en el modelo discreto no fue significativa para mejorar la inferencia, a diferencia del modelo continuo el cual presentó una mejora adecuada cuando la red neuronal se entrenó con datos ENO. Sin embargo, estos resultados no tienen una apropiada aproximación de la solución exacta; y esto se debe a que el error cuadrático medio de las condiciones de borde no fue considerado en la formulación de la función de costo. Las condiciones de borde conocidas como salida y entrada se implementarán en trabajos futuros para mejorar la inferencia de soluciones para la ecuación de nivel de conjunto.
Description: This project focused on developing continuous and discrete time models of neural networks based on the physics-informed neural network (PINNS) to solve a one-dimensional partial differential equation problem known as the level set equation; in context of level set method, without boundary conditions. The neural network is trained using data from numerical solutions obtained from finite difference methods, including the first-order accuracy upwind method and high-order Essentially Non-oscillatory (ENO) and Weighted Essentially Non-oscillatory (WENO) methods for discretizing space, as well as third-order accuracy TVD-Runge-Kutta method for the discretizing time. The method of characteristics is also employed to obtain the analytical solution to the problem, which is used for comparison with the numerical solutions and the predictions of the developed neural network. The inferred solutions by models are relatively good from the point of view of L1 and L2 errors; but the quality of data for the discrete-time model was not significant to improve the inference, in contrast, the continuous model presented a suitable improvement when the neural network was training by ENO data. However, these results in the context of the accuracy of approximation for exact solution are poor; and this is because the mean square error of boundary conditions in the loss function was not considered. Inflow and outflow boundary conditions will be implemented in future works to improve the inference of solutions for the level-set equation.
URI: http://repositorio.yachaytech.edu.ec/handle/123456789/689
Appears in Collections:Matemática

Files in This Item:
File Description SizeFormat 
ECMC0145.pdf2.14 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.