文件名称：implicit-PINN
文件大小：2.62MB
文件格式：ZIP
更新时间：2024-04-27 00:28:13
Python
数据驱动的机器学习，用于在升频过程中明确解决非线性问题。 我们使用数据驱动的机器学习来明确地解决升级过程中的非线性问题。 我们专注于扩大生物组织中对流，扩散和非线性React的微分平衡的问题。 经典有效性因子模型用于制定宏观React动力学。 从使用宏观尺度浓度和浓度梯度作为特征空间组成部分来训练网络的意义上说，网络被描述为是明确的。 通过后验平均将放大后的平均浓度解与从微观浓度场得到的数值解进行比较。 这项工作需要特别注意的三个结果：1）我们发现，经过训练的网络具有良好的泛化性，并且尽管组织的规模和几何形状明显不同，但它能够以高保真度预测逼真的结构组织的有效性因子。两种示例性组织类型； 2）该方法导致PDE的提升，其有效因子可以通过训练后的神经网络进行（隐式）预测； 3）更重要的是，从微观封闭问题中出现的源项中得出的隐含特征对于网络预测高保真校正因子至关重要。 有关更多信息，请参阅以
【文件预览】：
implicit-PINN-main
----show_historyPrediction.py(8KB)
----train.py(3KB)
----config.py(494B)
----datasets.py(2KB)
----run.py(388B)
----models.py(975B)
----predictions.py(747B)
----LICENSE(1KB)
----README.md(2KB)
----save_results.py(2KB)
----data()
--------effective_dispersion_Pe_u_brain_liver__allrange_correct_T.csv(701B)
--------brain_average_c_moving_bar_2D_Brinkman_realdata_Pe_8.csv(44KB)
--------learning_parameters_6features_1target_Pe_u_Brinkman__Phi2_III__R8192_1.csv(3.28MB)
--------brain_average_c_exact_average_2D_Brinkman_realdata_Pe_8.csv(44KB)
--------learning_parameters_6features_1target_Pe_u_Brinkman__Phi2_III__R8192_1.txt(2.75MB)
--------liver_average_c_moving_bar_2D_Brinkman_realdata_Pe_52.csv(64KB)
--------liver_average_c_exact_average_2D_Brinkman_realdata_Pe_52.csv(65KB)
----Auxiliary.py(4KB)