Fugu-MT 論文翻訳(概要): Deep Learning Convective Flow Using Conditional Generative Adversarial Networks

論文の概要: Deep Learning Convective Flow Using Conditional Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2005.06422v1
Date: Wed, 13 May 2020 16:52:27 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 13:42:47.918767
Title: Deep Learning Convective Flow Using Conditional Generative Adversarial Networks
Title（参考訳）: 条件付き生成逆数ネットワークを用いた深層学習対流
Authors: Changlin Jiang, Amir Barati Farimani
Abstract要約: FluidGANは、エネルギー輸送と結合した時間依存の対流を学習し、予測することができる。我々の枠組みは、基礎となる物理モデルが複雑または未知である決定論的多物理現象の学習に利用できる。
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: We developed a general deep learning framework, FluidGAN, that is capable of learning and predicting time-dependent convective flow coupled with energy transport. FluidGAN is thoroughly data-driven with high speed and accuracy and satisfies the physics of fluid without any prior knowledge of underlying fluid and energy transport physics. FluidGAN also learns the coupling between velocity, pressure and temperature fields. Our framework could be used to learn deterministic multiphysics phenomena where the underlying physical model is complex or unknown.
Abstract（参考訳）: 我々は,エネルギー輸送を伴う時間依存対流の学習と予測が可能な,汎用的なディープラーニングフレームワークであるfluidganを開発した。 fluidganは高速で正確でデータ駆動であり、基礎となる流体やエネルギー輸送物理学の知識なしに流体の物理を満たしている。また、FluidGANは速度、圧力、温度場の結合も学習する。我々の枠組みは、基礎となる物理モデルが複雑または未知である決定論的多物理現象の学習に利用できる。

関連論文リスト

The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文参考訳（メタデータ） (2024-11-18T01:19:37Z)
Pi-fusion: Physics-informed diffusion model for learning fluid dynamics [3.5197612808072147]
流体力学における速度と圧力場の時間的進化を予測する物理インフォーム拡散モデルPi-fusionを提案する。相反学習に基づくトレーニング戦略を導入し,流体運動の準周期パターンを学習する。実験結果から, 提案手法は, 速度場と圧力場の時間的変化を予測する既存手法よりも有意に優れていた。
論文参考訳（メタデータ） (2024-06-06T03:14:59Z)
HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
HelmFluidは流体の正確かつ解釈可能な予測器である。ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。 HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
論文参考訳（メタデータ） (2023-10-16T16:38:32Z)
Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文参考訳（メタデータ） (2023-04-21T20:49:29Z)
FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文参考訳（メタデータ） (2023-03-04T07:24:22Z)
Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-10-12T09:12:59Z)
Data-driven, multi-moment fluid modeling of Landau damping [6.456946924438425]
プラズマ系の流体偏微分方程式(PDE)を学習するために,ディープラーニングアーキテクチャを適用した。学習した多モーメント流体PDEはランダウ減衰などの運動効果を取り入れることを示した。
論文参考訳（メタデータ） (2022-09-10T19:06:12Z)
Learning to Estimate and Refine Fluid Motion with Physical Dynamics [9.258258917049845]
流体流量推定のための教師なし学習に基づく予測補正手法を提案する。推定はまずPDE制約の光フロー予測器によって与えられ、次に物理ベースの補正器によって洗練される。提案手法は,地上の真理情報が効果的に理解できない複雑な実世界の流体シナリオに一般化することができる。
論文参考訳（メタデータ） (2022-06-21T15:46:49Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。我々はNeuroFluidという2段階の異なるネットワークを提案する。初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文参考訳（メタデータ） (2022-03-03T15:13:29Z)
Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文参考訳（メタデータ） (2020-06-15T20:59:28Z)

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。