論文の概要: Identification of hydrodynamic instability by convolutional neural networks

• arxiv url: http://arxiv.org/abs/2006.01446v1
• Date: Tue, 2 Jun 2020 08:32:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 01:14:32.481632
• Title: Identification of hydrodynamic instability by convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークによる流体不安定性の同定
• Authors: Wuyue Yang, Liangrong Peng, Yi Zhu, Liu Hong
• Abstract要約: 流体力学的不安定性の発生は、産業と日常生活の両方において非常に重要である。 最新の機械学習技術、特に畳み込みニューラルネットワーク(CNN)は、流体力学的不安定性によって引き起こされる異なる流れの動きの遷移を識別するために用いられる。 CNNはテイラー・クーエット流(TC)およびレイリー・ブエナード対流(RB)の様々な設定と条件下での臨界遷移値を正確に予測するだけでなく、ロバスト性や耐雑音性にも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.065265250700039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The onset of hydrodynamic instabilities is of great importance in both industry and daily life, due to the dramatic mechanical and thermodynamic changes for different types of flow motions. In this paper, modern machine learning techniques, especially the convolutional neural networks (CNN), are applied to identify the transition between different flow motions raised by hydrodynamic instability, as well as critical non-dimensionalized parameters for characterizing this transit. CNN not only correctly predicts the critical transition values for both Taylor-Couette (TC) flow and Rayleigh- B\'enard (RB) convection under various setups and conditions, but also shows an outstanding performance on robustness and noise-tolerance. In addition, key spatial features used for classifying different flow patterns are revealed by the principal component analysis.
• Abstract（参考訳）: 流体力学の不安定性の開始は、様々な種類の流れ運動に対する劇的な機械的および熱力学的変化のため、産業と日常生活の両方において非常に重要である。 本稿では,最近の機械学習技術,特に畳み込みニューラルネットワーク(CNN)を用いて,流体力学的不安定性により生じる異なる流れの動きの遷移と,この遷移を特徴付ける重要な非次元パラメータを同定する。 CNNはテイラー・コート流(TC)およびレイリー・ブエナード対流(RB)の様々な設定と条件下での臨界遷移値を正確に予測するだけでなく、頑健性と耐雑音性に優れた性能を示す。 また,主成分分析により,異なるフローパターンを分類するための重要な空間的特徴を明らかにする。

関連論文リスト

• Vision-Informed Flow Image Super-Resolution with Quaternion Spatial Modeling and Dynamic Flow Convolution [49.45309818782329]
  フロー画像超解像(FISR)は、低分解能フロー画像から高分解能乱流速度場を復元することを目的としている。 既存のFISR法は主に自然画像パターンのフロー画像を処理する。 第一流れの視覚特性インフォームドFISRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-29T06:48:16Z)
• Stochastic Latent Transformer: Efficient Modelling of Stochastically Forced Zonal Jets [0.0]
  本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。 SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。 水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-10-25T16:17:00Z)
• Kernelised Normalising Flows [10.31916245015817]
  正規化フローは、密度推定と生成の二重能力によって特徴づけられる非パラメトリック統計モデルである。 本稿では,カーネルをフレームワークに統合する新しいカーネル正規化フローパラダイムであるFerumal Flowを紹介する。
  論文  参考訳（メタデータ） (2023-07-27T13:18:52Z)
• E($3$) Equivariant Graph Neural Networks for Particle-Based Fluid Mechanics [2.1401663582288144]
  等変グラフニューラルネットワークは、より正確な動的相互作用モデルを学ぶことができることを示した。 3次元崩壊するテイラー・グリーン渦と3次元逆ポアゼイユ流の2つのよく研究された流れ系をベンチマークした。
  論文  参考訳（メタデータ） (2023-03-31T21:56:35Z)
• Predicting the temporal dynamics of turbulent channels through deep learning [0.0]
  最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。 長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
  論文  参考訳（メタデータ） (2022-03-02T09:31:03Z)
• Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
  本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。 ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
  論文  参考訳（メタデータ） (2022-02-13T08:44:10Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。