論文の概要: Turbulent scalar flux in inclined jets in crossflow: counter gradient
transport and deep learning modelling
- arxiv url: http://arxiv.org/abs/2001.04600v2
- Date: Mon, 28 Sep 2020 00:37:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 13:28:07.755026
- Title: Turbulent scalar flux in inclined jets in crossflow: counter gradient
transport and deep learning modelling
- Title(参考訳): 横流中の傾斜噴流中の乱流スカラーフラックス:対向勾配輸送と深層学習モデル
- Authors: Pedro M. Milani, Julia Ling, John K. Eaton
- Abstract要約: 負の乱流拡散現象に先行する乱流スカラー混合層の研究
レイノルズ応力をモデル化するために以前に開発されたテンソルベースニューラルネットワークを適用した乱流スカラーフラックスの深層学習手法
その結果, 単純なモデルに比べ, 特に乱流混合において, クロスグラディエント効果が重要な役割を担っている場合において, 顕著な改善が見られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A cylindrical and inclined jet in crossflow is studied under two distinct
velocity ratios, $r=1$ and $r=2$, using highly resolved large eddy simulations
(LES). First, an investigation of turbulent scalar mixing sheds light onto the
previously observed but unexplained phenomenon of negative turbulent
diffusivity. We identify two distinct types of counter gradient transport,
prevalent in different regions: the first, throughout the windward shear layer,
is caused by cross-gradient transport; the second, close to the wall right
after injection, is caused by non-local effects. Then, we propose a deep
learning approach for modelling the turbulent scalar flux by adapting the
tensor basis neural network previously developed to model Reynolds stresses
(Ling et al. 2016a). This approach uses a deep neural network with embedded
coordinate frame invariance to predict a tensorial turbulent diffusivity that
is not explicitly available in the high fidelity data used for training. After
ensuring analytically that the matrix diffusivity leads to a stable solution
for the advection diffusion equation, we apply this approach in the inclined
jets in crossflow under study. The results show significant improvement
compared to a simple model, particularly where cross-gradient effects play an
important role in turbulent mixing. The model proposed herein is not limited to
jets in crossflow; it can be used in any turbulent flow where the Reynolds
averaged transport of a scalar is considered.
- Abstract(参考訳): クロスフロー中の円筒型および傾斜型ジェットは、高分解能大渦シミュレーション(les)を用いて、r=1$とr=2$の2つの異なる速度比で研究されている。
第一に, 前述した非説明現象である負の乱流拡散率に光を混合する乱流スカラーについて検討した。
風向せん断層を通した第1層は横方向の輸送によって引き起こされ,第2層は注入直後の壁に近づき,非局所的な影響によって引き起こされる。
次に,以前開発したテンソルベースニューラルネットワークを用いて,乱流スカラーフラックスをモデル化する深層学習手法を提案する(ling et al. 2016a)。
このアプローチでは、組み込み座標フレーム不変性を持つディープニューラルネットワークを使用して、トレーニングに使用される高忠実度データでは明示的に利用できないテンソル乱流拡散率を予測する。
行列拡散率が対流拡散方程式の安定解をもたらすことを解析的に確認した後、研究中のクロスフローの傾斜噴流にこのアプローチを適用する。
その結果, 単純なモデルに比べ, 特に乱流混合において横勾配効果が重要な役割を担っている。
ここで提案されているモデルは横流中の噴流に限らず、レイノルズ平均輸送が考慮される任意の乱流で使用できる。
関連論文リスト
- Smooth Diffusion: Crafting Smooth Latent Spaces in Diffusion Models [82.8261101680427]
滑らかな潜伏空間は、入力潜伏空間上の摂動が出力画像の定常的な変化に対応することを保証している。
この特性は、画像の反転、反転、編集を含む下流タスクにおいて有益である。
スムース拡散(Smooth Diffusion, Smooth Diffusion)は, 高速かつスムーズな拡散モデルである。
論文 参考訳(メタデータ) (2023-12-07T16:26:23Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳(メタデータ) (2023-12-05T18:59:41Z) - Generative convective parametrization of dry atmospheric boundary layer [0.0]
乱流のパラメトリゼーションは、キロスケールの地球系モデルにおいて、必要なビルディングブロックとして残る。
本稿では, 直交対向ネットワークに基づく乾式対流境界層に対するパラメトリゼーションを提案する。
我々の研究は、他の自然流における効率的なデータ駆動対流パラメトリゼーションへの道を開いた。
論文 参考訳(メタデータ) (2023-07-27T13:37:29Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T23:00:47Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - Implicit Bias in Leaky ReLU Networks Trained on High-Dimensional Data [63.34506218832164]
本研究では,ReLUを活性化した2層完全連結ニューラルネットワークにおける勾配流と勾配降下の暗黙的バイアスについて検討する。
勾配流には、均一なニューラルネットワークに対する暗黙のバイアスに関する最近の研究を活用し、リーク的に勾配流が2つ以上のランクを持つニューラルネットワークを生成することを示す。
勾配降下は, ランダムな分散が十分小さい場合, 勾配降下の1ステップでネットワークのランクが劇的に低下し, トレーニング中もランクが小さくなることを示す。
論文 参考訳(メタデータ) (2022-10-13T15:09:54Z) - Towards high-accuracy deep learning inference of compressible turbulent
flows over aerofoils [26.432914066756897]
本研究では, 深部ニューラルネットワークを用いた2次元空気翼上における圧縮性流れに対するNavier-Stokes解の正確な推算について検討した。
提案手法は, 形状の異なるグリッドに対して, 高精度な流れ場を生成することを学習するネットワークを生成する。
提案手法は流れ場の予測を著しく高速化し,高速な空力設計を実現することを約束する。
論文 参考訳(メタデータ) (2021-09-05T23:23:39Z) - On the Role of Optimization in Double Descent: A Least Squares Study [30.44215064390409]
最小二乗対象の降下勾配解に対して過大なリスクを負うことを示す。
ノイズのない回帰の場合、二重降下は最適化関連量によってのみ説明される。
ニューラルネットワークの予測が保たれているかどうかを実証的に調査する。
論文 参考訳(メタデータ) (2021-07-27T09:13:11Z) - Embedded training of neural-network sub-grid-scale turbulence models [0.0]
ディープニューラルネットワークモデルの重みは、制御フロー方程式と共に最適化され、サブグリッドスケールの応力のモデルを提供する。
トレーニングは勾配降下法で行われ、随伴ナビエ-ストークス方程式を用いてモデル重みのエンドツーエンドの感度を速度場に与える。
論文 参考訳(メタデータ) (2021-05-03T17:28:39Z) - Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。
そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。
勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
論文 参考訳(メタデータ) (2020-06-04T21:51:21Z)
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。