論文の概要: Convolutional-network models to predict wall-bounded turbulence from wall quantities

• arxiv url: http://arxiv.org/abs/2006.12483v1
• Date: Mon, 22 Jun 2020 17:57:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 06:50:26.666292
• Title: Convolutional-network models to predict wall-bounded turbulence from wall quantities
• Title（参考訳）: 畳み込みネットワークモデルによる壁面乱流の予測
• Authors: L. Guastoni, A. G\"uemes, A.Ianiro, S. Discetti, P. Schlatter, H. Azizpour, R. Vinuesa
• Abstract要約: 乱流開水路流れにおける壁面異常位置の2次元速度変動場を予測するために2つのモデルを訓練した。 最初のモデルは、揺らぎを直接予測する完全畳み込みニューラルネットワーク(FCN)である。 後者は正規直交基底関数の線形結合を用いて流れ場を再構成する。
• 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: Two models based on convolutional neural networks are trained to predict the two-dimensional velocity-fluctuation fields at different wall-normal locations in a turbulent open channel flow, using the wall-shear-stress components and the wall pressure as inputs. The first model is a fully-convolutional neural network (FCN) which directly predicts the fluctuations, while the second one reconstructs the flow fields using a linear combination of orthonormal basis functions, obtained through proper orthogonal decomposition (POD), hence named FCN-POD. Both models are trained using data from two direct numerical simulations (DNS) at friction Reynolds numbers $Re_{\tau} = 180$ and $550$. Thanks to their ability to predict the nonlinear interactions in the flow, both models show a better prediction performance than the extended proper orthogonal decomposition (EPOD), which establishes a linear relation between input and output fields. The performance of the various models is compared based on predictions of the instantaneous fluctuation fields, turbulence statistics and power-spectral densities. The FCN exhibits the best predictions closer to the wall, whereas the FCN-POD model provides better predictions at larger wall-normal distances. We also assessed the feasibility of performing transfer learning for the FCN model, using the weights from $Re_{\tau}=180$ to initialize those of the $Re_{\tau}=550$ case. Our results indicate that it is possible to obtain a performance similar to that of the reference model up to $y^{+}=50$, with $50\%$ and $25\%$ of the original training data. These non-intrusive sensing models will play an important role in applications related to closed-loop control of wall-bounded turbulence.
• Abstract（参考訳）: 畳み込みニューラルネットワークに基づく2つのモデルを用いて,乱流開水路流れの異なる壁面の2次元の速度-変動場を,壁-ハーストストレス成分と壁圧を入力として予測する。 第1のモデルは、揺らぎを直接予測する完全畳み込みニューラルネットワーク(FCN)であり、第2のモデルは正則基底関数の線形結合を用いて流れ場を再構成し、適切な直交分解(POD)によって得られる。 両方のモデルは、摩擦レイノルズ数$Re_{\tau} = 180$と550$の2つの直接数値シミュレーション(DNS)のデータを用いて訓練される。 流れの非線形相互作用を予測する能力により、どちらのモデルも、入力場と出力場の線形関係を確立する拡張固有直交分解(EPOD)よりも優れた予測性能を示す。 各種モデルの性能は, 瞬時変動場, 乱流統計, パワースペクトル密度の予測に基づいて比較する。 FCNは壁に近い最良の予測を示すが、FCN-PODモデルは壁の通常の距離よりも高い予測を提供する。 また,$Re_{\tau}=180$から,$Re_{\tau}=550$を初期化することにより,FCNモデルの転送学習の実現可能性についても検討した。 この結果から, 基準モデルに類似した性能を, 50 %$と 25 %$で$y^{+}=50$まで得ることが可能であることが示唆された。 これらの非侵入センシングモデルは、壁面境界乱流の閉ループ制御に関する応用において重要な役割を果たす。

関連論文リスト

• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Predicting the wall-shear stress and wall pressure through convolutional neural networks [1.95992742032823]
  本研究では,畳み込み型ニューラルネットワークが乱流開水路内の壁量を予測する能力を評価することを目的とした。 FCNの予測は、提案したR-Netアーキテクチャの予測と比較される。 R-Netはまた、速度変動場を$y+ = 50$で予測できる。
  論文  参考訳（メタデータ） (2023-03-01T18:03:42Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Surrogate Model for Shallow Water Equations Solvers with Deep Learning [6.123836425156534]
  この研究は、ディープラーニングに基づく効率的で正確で柔軟な代理モデルNN-p2pを導入している。 入力には、空間座標と水理構造の幾何学を記述する境界特徴の両方が含まれている。 NN-p2pは、ニューラルネットワークで見えないピアまわりの流れを予測するのに優れた性能を持つ。
  論文  参考訳（メタデータ） (2021-12-20T22:30:11Z)
• Predicting the near-wall region of turbulence through convolutional neural networks [0.0]
  乱流開水路流れにおける近接壁挙動を予測するためのニューラルネットワークに基づく手法について検討した。 完全畳み込みネットワーク(FCN)は,2次元速度変動場を$y+_rmターゲット$で予測するために訓練される。 FCNは流れの対数領域の自己相似性を生かし、速度変動場を$y+ = 50$で予測することができる。
  論文  参考訳（メタデータ） (2021-07-15T13:58:26Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Neural Networks are Convex Regularizers: Exact Polynomial-time Convex Optimization Formulations for Two-layer Networks [70.15611146583068]
  我々は、線形整列ユニット(ReLU)を用いた2層ニューラルネットワークのトレーニングの正確な表現を開発する。 我々の理論は半無限双対性と最小ノルム正規化を利用する。
  論文  参考訳（メタデータ） (2020-02-24T21:32:41Z)
• Gravitational-wave parameter estimation with autoregressive neural network flows [0.0]
  深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。 正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。 可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
  論文  参考訳（メタデータ） (2020-02-18T15:44:04Z)
• Prediction of wall-bounded turbulence from wall quantities using convolutional neural networks [0.0]
  完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。 様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
  論文  参考訳（メタデータ） (2019-12-30T15:34:41Z)

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。