Fugu-MT 論文翻訳(概要): DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks

論文の概要: DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2004.08826v3
Date: Fri, 26 Nov 2021 09:43:31 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 00:45:23.936252
Title: DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks
Title（参考訳）: DeepCFD:ディープ畳み込みニューラルネットワークを用いた定常層流の効率的な近似
Authors: Mateus Dias Ribeiro and Abdul Rehman and Sheraz Ahmed and Andreas Dengel
Abstract要約: DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。 DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
参考スコア（独自算出の注目度）: 5.380828749672078
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Computational Fluid Dynamics (CFD) simulation by the numerical solution of the Navier-Stokes equations is an essential tool in a wide range of applications from engineering design to climate modeling. However, the computational cost and memory demand required by CFD codes may become very high for flows of practical interest, such as in aerodynamic shape optimization. This expense is associated with the complexity of the fluid flow governing equations, which include non-linear partial derivative terms that are of difficult solution, leading to long computational times and limiting the number of hypotheses that can be tested during the process of iterative design. Therefore, we propose DeepCFD: a convolutional neural network (CNN) based model that efficiently approximates solutions for the problem of non-uniform steady laminar flows. The proposed model is able to learn complete solutions of the Navier-Stokes equations, for both velocity and pressure fields, directly from ground-truth data generated using a state-of-the-art CFD code. Using DeepCFD, we found a speedup of up to 3 orders of magnitude compared to the standard CFD approach at a cost of low error rates.
Abstract（参考訳）: Navier-Stokes方程式の数値解による計算流体力学(CFD)シミュレーションは、工学設計から気候モデリングまで幅広い応用において欠かせないツールである。しかしながら、cfd符号が必要とする計算コストとメモリ需要は、空力形状最適化のような実用的関心のある流れに対して非常に高いものとなり得る。この費用は、難しい解である非線形偏微分項を含む流体フロー制御方程式の複雑さと関連しており、計算時間が長くなり、反復設計の過程でテストできる仮説の数を制限している。そこで我々は,非一様定常層流問題に対する解を効率的に近似する畳み込みニューラルネットワーク(CNN)に基づくDeepCFDを提案する。提案モデルでは, 最先端CFDコードを用いて生成した地中構造データから直接, 速度場と圧力場の両方に対するナビエ・ストークス方程式の完全解を学習することができる。 deepcfdを使用することで、エラー率が低いコストで、標準のcfdアプローチと比較して最大3桁のスピードアップが得られました。

関連論文リスト

Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
Learning Generic Solutions for Multiphase Transport in Porous Media via the Flux Functions Operator [0.0]
DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
論文参考訳（メタデータ） (2023-07-03T21:10:30Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Deep Random Vortex Method for Simulation and Inference of Navier-Stokes Equations [69.5454078868963]
ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。 AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
論文参考訳（メタデータ） (2022-06-20T04:58:09Z)
Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations [1.4150517264592128]
種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
論文参考訳（メタデータ） (2021-12-13T05:08:55Z)
Neural Flows: Efficient Alternative to Neural ODEs [8.01886971335823]
本稿では,ORのフローである解曲線を直接ニューラルネットワークでモデル化する手法を提案する。これにより、ニューラルネットワークのモデリング能力を維持しながら、高価な数値解法の必要性はすぐに解消される。
論文参考訳（メタデータ） (2021-10-25T15:24:45Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Using Machine Learning to Augment Coarse-Grid Computational Fluid Dynamics Simulations [2.7892067588273517]
本研究では,高レイノルズ数での乱流の粗いグリッドシミュレーションにより発生する数値誤差を補正する機械学習(ML)手法を提案する。提案手法は,高分解能な解軌道を得ることができるML-PDEハイブリッド解法である。
論文参考訳（メタデータ） (2020-09-30T19:29:21Z)
Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文参考訳（メタデータ） (2020-07-08T21:23:19Z)
CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
論文参考訳（メタデータ） (2020-05-09T18:06:09Z)
A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。