論文の概要: A transfer learning metamodel using artificial neural networks applied
to natural convection flows in enclosures
- arxiv url: http://arxiv.org/abs/2008.12483v2
- Date: Wed, 14 Oct 2020 06:18:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 02:42:33.083003
- Title: A transfer learning metamodel using artificial neural networks applied
to natural convection flows in enclosures
- Title（参考訳）: ニューラルネットワークを用いた伝達学習メタモデルによる自然対流の囲い込み流れへの応用
- Authors: Majid Ashouri and Alireza Hashemi
- Abstract要約: 本研究では, 自然対流流におけるヌッセルト数を予測するために, 伝達学習手法を用いた。
我々は、単一入力特徴(Rayleigh)でニューラルネットワークを訓練し、第2特徴(Prandtl)の効果を取り入れるように拡張した。
- 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: In this paper, we employed a transfer learning technique to predict the
Nusselt number for natural convection flows in enclosures. Specifically, we
considered the benchmark problem of a two-dimensional square enclosure with
isolated horizontal walls and vertical walls at constant temperatures. The
Rayleigh and Prandtl numbers are sufficient parameters to simulate this problem
numerically. We adopted two approaches to this problem: Firstly, we made use of
a multi-grid dataset in order to train our artificial neural network in a
cost-effective manner. By monitoring the training losses for this dataset, we
detected any significant anomalies that stemmed from an insufficient grid size,
which we further corrected by altering the grid size or adding more data.
Secondly, we sought to endow our metamodel with the ability to account for
additional input features by performing transfer learning using deep neural
networks. We trained a neural network with a single input feature (Rayleigh)
and extended it to incorporate the effects of a second feature (Prandtl). We
also considered the case of hollow enclosures, demonstrating that our learning
framework can be applied to systems with higher physical complexity, while
bringing the computational and training costs down.
- Abstract（参考訳）: 本稿では,自然対流の包絡内におけるヌッセルト数を予測するために,伝達学習手法を用いた。
具体的には,水平壁と垂直壁を一定温度で分離した2次元正方形囲いのベンチマーク問題を検討した。
レイリー数とプレンドル数はこの問題を数値的にシミュレートするのに十分なパラメータである。
まず、コスト効率の高い方法でニューラルネットワークをトレーニングするために、マルチグリッドデータセットを使用しました。
このデータセットのトレーニング損失を監視することで、グリッドサイズ不足に起因する重要な異常を検出し、グリッドサイズを変更したり、より多くのデータを追加することでさらに修正しました。
第2に,深層ニューラルネットワークを用いた伝達学習を行うことで,入力機能の追加を考慮したメタモデルの実現を試みた。
我々は、単一入力機能(Rayleigh)でニューラルネットワークをトレーニングし、第2特徴(Prandtl)の効果を取り入れるように拡張した。
また,ホロウ囲いの場合も考慮し,計算コストやトレーニングコストを下げつつ,高い物理複雑性を持つシステムに学習フレームワークを適用することが可能であることを実証した。
関連論文リスト
- Scalable Bayesian Inference in the Era of Deep Learning: From Gaussian Processes to Deep Neural Networks [0.5827521884806072]
大規模なデータセットでトレーニングされた大規模なニューラルネットワークは、マシンラーニングの主要なパラダイムになっています。
この論文は、モデル不確実性を持つニューラルネットワークを装備するためのスケーラブルな手法を開発する。
論文 参考訳（メタデータ） (2024-04-29T23:38:58Z) - Residual Multi-Fidelity Neural Network Computing [0.0]
残差関数としてモデル間の相関を定式化する残差多忠実計算フレームワークを提案する。
計算コストの劇的な削減は、出力予測が小さな許容範囲内で正確であることを望んでいれば達成できることを示す。
論文 参考訳（メタデータ） (2023-10-05T14:43:16Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文 参考訳（メタデータ） (2021-02-20T23:26:58Z) - Reduced Order Modeling using Shallow ReLU Networks with Grassmann Layers [0.0]
本稿では,構造化ニューラルネットワークを用いた方程式系の非線形モデル低減法を提案する。
本稿では,ニューラルネットワークの近似に適さないデータスカース方式の科学的問題に対して,本手法が適用可能であることを示す。
論文 参考訳（メタデータ） (2020-12-17T21:35:06Z) - On transfer learning of neural networks using bi-fidelity data for
uncertainty propagation [0.0]
本研究では,高忠実度モデルと低忠実度モデルの両方から生成された学習データを用いた伝達学習手法の適用について検討する。
前者のアプローチでは、低忠実度データに基づいて、入力を関心の出力にマッピングするニューラルネットワークモデルを訓練する。
次に、高忠実度データを使用して、低忠実度ネットワークの上層(s)のパラメータを適応させたり、より単純なニューラルネットワークをトレーニングして、低忠実度ネットワークの出力を高忠実度モデルのパラメータにマッピングする。
論文 参考訳（メタデータ） (2020-02-11T15:56:11Z) - Avoiding Spurious Local Minima in Deep Quadratic Networks [0.0]
ニューラルアクティベーション機能を持つネットワークにおける平均2乗非線形誤差の景観を特徴付ける。
2次アクティベーションを持つ深層ニューラルネットワークは、類似した景観特性の恩恵を受けることが証明された。
論文 参考訳（メタデータ） (2019-12-31T22:31:11Z)
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。