{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/66679"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/66679","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Utilizing Physics-Informed Neural Networks for Solving Forward Problems in Partial Differential Equations","abstract":"Las Redes Neuronales Físicamente Informadas (PINNs, por sus siglas en inglés) representan una herramienta avanzada de aprendizaje profundo utilizada para la resolución numérica de problemas, especialmente aquellos relacionados con valores iniciales asociados a ecuaciones en derivadas parciales. El propósito de esta tesis es implementar el innovador método PINNs y algunas de sus variantes para abordar estos problemas, comparándolos con enfoques clásicos como los métodos de diferencias finitas. Aprovechando la capacidad computacional de un supercomputador (ZINE-Javeriana) y haciendo uso de herramientas gratuitas como Google Colab, buscamos evaluar la precisión y el tiempo de ejecución de estas metodologías en situaciones específicas donde contamos con soluciones explícitas.","abstract_html":"Las Redes Neuronales Físicamente Informadas (PINNs, por sus siglas en inglés) representan una herramienta avanzada de aprendizaje profundo utilizada para la resolución numérica de problemas, especialmente aquellos relacionados con valores iniciales asociados a ecuaciones en derivadas parciales. El propósito de esta tesis es implementar el innovador método PINNs y algunas de sus variantes para abordar estos problemas, comparándolos con enfoques clásicos como los métodos de diferencias finitas. Aprovechando la capacidad computacional de un supercomputador (ZINE-Javeriana) y haciendo uso de herramientas gratuitas como Google Colab, buscamos evaluar la precisión y el tiempo de ejecución de estas metodologías en situaciones específicas donde contamos con soluciones explícitas.","abstract_has_math":false,"creators":["Delgado Perez, Christian Fernando"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Chacón Cortés, Leonardo Fabio"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Redes neuronales","Inteligencia artificial","Neurona artificial","Ecuaciones diferenciales parciales","Redes neuronales físicamente informadas","PINNs"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10554/66679","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F66679","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Chacón Cortés, Leonardo Fabio"]},{"key":"dc:creator","label":"Author","values":["Delgado Perez, Christian Fernando"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-02-22T23:39:38Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-02-22T23:39:38Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Redes neuronales","Inteligencia artificial","Neurona artificial","Ecuaciones diferenciales parciales","Redes neuronales físicamente informadas","PINNs"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/66679"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Las Redes Neuronales Físicamente Informadas (PINNs, por sus siglas en inglés) representan una herramienta avanzada de aprendizaje profundo utilizada para la resolución numérica de problemas, especialmente aquellos relacionados con valores iniciales asociados a ecuaciones en derivadas parciales. El propósito de esta tesis es implementar el innovador método PINNs y algunas de sus variantes para abordar estos problemas, comparándolos con enfoques clásicos como los métodos de diferencias finitas. Aprovechando la capacidad computacional de un supercomputador (ZINE-Javeriana) y haciendo uso de herramientas gratuitas como Google Colab, buscamos evaluar la precisión y el tiempo de ejecución de estas metodologías en situaciones específicas donde contamos con soluciones explícitas."]},{"key":"dc:format","label":"Dc Format","values":["PDF"]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Utilizing Physics-Informed Neural Networks for Solving Forward Problems in Partial Differential Equations"]}]}],"canonical_facts":{"dc:contributor.advisor":["Chacón Cortés, Leonardo Fabio"],"dc:creator":["Delgado Perez, Christian Fernando"],"dc:date.accessioned":["2024-02-22T23:39:38Z"],"dc:date.available":["2024-02-22T23:39:38Z"],"dc:description.abstract":["Las Redes Neuronales Físicamente Informadas (PINNs, por sus siglas en inglés) representan una herramienta avanzada de aprendizaje profundo utilizada para la resolución numérica de problemas, especialmente aquellos relacionados con valores iniciales asociados a ecuaciones en derivadas parciales. El propósito de esta tesis es implementar el innovador método PINNs y algunas de sus variantes para abordar estos problemas, comparándolos con enfoques clásicos como los métodos de diferencias finitas. Aprovechando la capacidad computacional de un supercomputador (ZINE-Javeriana) y haciendo uso de herramientas gratuitas como Google Colab, buscamos evaluar la precisión y el tiempo de ejecución de estas metodologías en situaciones específicas donde contamos con soluciones explícitas."],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10554/66679"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Redes neuronales","Inteligencia artificial","Neurona artificial","Ecuaciones diferenciales parciales","Redes neuronales físicamente informadas","PINNs"],"dc:title":["Utilizing Physics-Informed Neural Networks for Solving Forward Problems in Partial Differential Equations"]},"updated_at":"2026-08-21T22:21:56Z"}