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

• Tracing the Roots: Leveraging Temporal Dynamics in Diffusion Trajectories for Origin Attribution [29.744990195972587]
  拡散モデルは画像合成に革命をもたらし、近年は重要な研究の関心を集めている。 拡散軌跡に基づく識別アルゴリズムについて検討する。 われわれの手法は、分類に活用できるステップにまたがるパターンの存在を実証する。
  論文  参考訳（メタデータ） (2024-11-12T00:20:11Z)
• Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
  本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。 近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
  論文  参考訳（メタデータ） (2024-10-31T14:26:10Z)
• Parametric Nonlinear Volterra Series via Machine Learning: Transonic Aerodynamics [0.0]
  本研究では、パラメトリック空間内での非定常超音速空力のモデリング手法を提案する。 1階と2階のVolterraカーネルは、空力応答から導かれる。 結果は、強い非線形性に対処する2階のカーネルを含めることの利点を裏付けている。
  論文  参考訳（メタデータ） (2024-10-25T12:40:10Z)
• Straightness of Rectified Flow: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
  拡散モデルは画像生成とデノナイズのための強力なツールとして登場した。 最近、Liuらは新しい代替生成モデル Rectified Flow (RF) を設計した。 RFは,一連の凸最適化問題を用いて,ノイズからデータへの直流軌跡の学習を目的としている。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Rectified Diffusion: Straightness Is Not Your Need in Rectified Flow [65.51671121528858]
  拡散モデルは、視覚生成を大幅に改善したが、生成ODEを解くという計算集約的な性質のため、生成速度の遅さによって妨げられている。 広く認識されている解である整流流は、ODEパスを直線化することで生成速度を向上させる。 本稿では,より広範な拡散モデルのカテゴリをカバーするために,設計空間と修正の応用範囲を一般化するRectified Diffusionを提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:43:38Z)
• 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)
• 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)
• 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。