Dublin Core
Title
Modeling global surface dust deposition using physics-informed neural networks
Subject
Physics-informed neural networks
Machine learning
Predictive modeling
Numerical diffusion
Deep learning method
620
Ingeniería
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2023
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.
Creator
Molina Catricheo, Constanza Andrea
Date
2023-05-18T13:58:21Z
2023-05-18T13:58:21Z
2023
Contributor
Wout, Elwin van't
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xvii, 89 páginas
application/pdf
Language
en
Type
tesis de maestría
Identifier
https://repositorio.uc.cl/handle/11534/67017