論文の概要: Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase
Flow Simulation Using Validation Data
- arxiv url: http://arxiv.org/abs/2005.03767v1
- Date: Thu, 7 May 2020 21:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 00:17:44.322704
- Title: Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase
Flow Simulation Using Validation Data
- Title（参考訳）: 検証データを用いた粗面CFD二相流シミュレーションにおける深層学習界面モーメントの閉鎖
- Authors: Han Bao, Jinyong Feng, Nam Dinh, Hongbin Zhang
- Abstract要約: FSM(Feature-Similarity Measurement)を開発し, 粗面CFD法により二相流のシミュレーション性能を向上させる。
FSMは界面閉鎖の選択に関係なく粗いメッシュCFDモデルの予測を大幅に改善することができる。
- 参考スコア（独自算出の注目度）: 5.099083753474628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiphase flow phenomena have been widely observed in the industrial
applications, yet it remains a challenging unsolved problem. Three-dimensional
computational fluid dynamics (CFD) approaches resolve of the flow fields on
finer spatial and temporal scales, which can complement dedicated experimental
study. However, closures must be introduced to reflect the underlying physics
in multiphase flow. Among them, the interfacial forces, including drag, lift,
turbulent-dispersion and wall-lubrication forces, play an important role in
bubble distribution and migration in liquid-vapor two-phase flows. Development
of those closures traditionally rely on the experimental data and analytical
derivation with simplified assumptions that usually cannot deliver a universal
solution across a wide range of flow conditions. In this paper, a data-driven
approach, named as feature-similarity measurement (FSM), is developed and
applied to improve the simulation capability of two-phase flow with coarse-mesh
CFD approach. Interfacial momentum transfer in adiabatic bubbly flow serves as
the focus of the present study. Both a mature and a simplified set of
interfacial closures are taken as the low-fidelity data. Validation data
(including relevant experimental data and validated fine-mesh CFD simulations
results) are adopted as high-fidelity data. Qualitative and quantitative
analysis are performed in this paper. These reveal that FSM can substantially
improve the prediction of the coarse-mesh CFD model, regardless of the choice
of interfacial closures, and it provides scalability and consistency across
discontinuous flow regimes. It demonstrates that data-driven methods can aid
the multiphase flow modeling by exploring the connections between local
physical features and simulation errors.
- Abstract（参考訳）: 産業用途では多相流現象が広く観測されているが,未解決問題である。
3次元計算流体力学 (cfd) は, より微細な空間的, 時間的スケール上の流れ場の解法にアプローチし, 専用の実験研究を補完する。
しかし、閉包は多相流の物理を反映するために導入する必要がある。
このうち, 抵抗, 昇降, 乱流分散, 壁面潤滑力などの界面力は, 液相二相流の気泡分布や移動に重要な役割を果たしている。
これらのクロージャの開発は伝統的に実験データと分析的導出に依存しており、単純化された仮定により、通常は広範囲のフロー条件で普遍的な解が得られない。
本稿では,FSM(Feature-Similarity Measurement)と呼ばれるデータ駆動型手法を開発し,粗面CFD法を用いて二相流のシミュレーション性能を向上させる。
断熱気泡流中の界面運動量移動が本研究の焦点となっている。
低忠実度データとして、成熟した界面クロージャと簡易な界面クロージャの両方を用いる。
高忠実度データとして検証データ(関連する実験データと検証されたcfdシミュレーション結果を含む)を採用する。
本稿では,質的,定量的な分析を行う。
これらの結果から,FSMは界面閉鎖の選択によらず,粗いメッシュCFDモデルの予測を大幅に改善し,不連続流路間のスケーラビリティと整合性を提供することがわかった。
データ駆動手法は,局所的な物理的特徴とシミュレーション誤差の関係を探究することにより,多相フローモデリングを支援する。
関連論文リスト
- Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。
我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T15:01:17Z) - Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。
本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
論文 参考訳（メタデータ） (2024-10-24T17:08:20Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。
解像度が大きくなると、計算データ要求と時間の増加が比例する。
複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
論文 参考訳（メタデータ） (2024-04-06T12:49:09Z) - Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。
流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。
ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
論文 参考訳（メタデータ） (2024-02-27T03:44:55Z) - Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳（メタデータ） (2023-10-04T09:39:05Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである
MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。
一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文 参考訳（メタデータ） (2021-08-18T09:00:24Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - 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) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。