論文の概要: Using Deep Learning to Explore Local Physical Similarity for
Global-scale Bridging in Thermal-hydraulic Simulation
- arxiv url: http://arxiv.org/abs/2001.04298v1
- Date: Mon, 6 Jan 2020 20:14:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 02:18:08.659575
- Title: Using Deep Learning to Explore Local Physical Similarity for
Global-scale Bridging in Thermal-hydraulic Simulation
- Title(参考訳): 熱水理シミュレーションにおける深層学習による局所的物理類似性の探索
- Authors: Han Bao, Nam Dinh, Linyu Lin, Robert Youngblood, Jeffrey Lane, Hongbin
Zhang
- Abstract要約: 現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。
本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。
深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
- 参考スコア(独自算出の注目度): 4.350727579753697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current system thermal-hydraulic codes have limited credibility in simulating
real plant conditions, especially when the geometry and boundary conditions are
extrapolated beyond the range of test facilities. This paper proposes a
data-driven approach, Feature Similarity Measurement FFSM), to establish a
technical basis to overcome these difficulties by exploring local patterns
using machine learning. The underlying local patterns in multiscale data are
represented by a set of physical features that embody the information from a
physical system of interest, empirical correlations, and the effect of mesh
size. After performing a limited number of high-fidelity numerical simulations
and a sufficient amount of fast-running coarse-mesh simulations, an error
database is built, and deep learning is applied to construct and explore the
relationship between the local physical features and simulation errors. Case
studies based on mixed convection have been designed for demonstrating the
capability of data-driven models in bridging global scale gaps.
- Abstract(参考訳): 現在の熱水和コードでは、特に幾何学と境界条件が試験施設の範囲を超えて外挿される場合、実際の植物条件をシミュレートする際の信頼性が制限されている。
本稿では,データ駆動型特徴類似度測定(FFSM)を提案する。機械学習を用いて局所パターンを探索することにより,これらの課題を克服するための技術的基盤を確立する。
マルチスケールデータの基盤となる局所パターンは、物理的システムからの情報、経験的相関、メッシュサイズの影響を具現化した物理的な特徴の集合によって表現される。
限られた数の高忠実度数値シミュレーションと十分な量の高速粗度シミュレーションを行った後、エラーデータベースを構築し、深層学習を行い、局所的な物理的特徴とシミュレーションエラーの関係を構築・探究する。
混合対流に基づくケーススタディは、グローバルスケールギャップの橋渡しにおけるデータ駆動モデルの能力を示すために設計されている。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳(メタデータ) (2023-05-21T03:51:03Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳(メタデータ) (2023-05-12T14:21:14Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳(メタデータ) (2023-01-11T18:17:10Z) - Strategic Geosteeering Workflow with Uncertainty Quantification and Deep
Learning: A Case Study on the Goliat Field [0.0]
本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。
オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。
オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
論文 参考訳(メタデータ) (2022-10-27T15:38:26Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs [25.253880881581956]
本研究では,エントロピーに基づく類似性モデルを提案する。
我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。
ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-02-08T19:19:08Z) - PREPRINT: Comparison of deep learning and hand crafted features for
mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。
このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。
16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文 参考訳(メタデータ) (2021-03-11T09:28:00Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。