論文の概要: A machine learning framework for LES closure terms

• arxiv url: http://arxiv.org/abs/2010.03030v1
• Date: Thu, 1 Oct 2020 08:42:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:59:31.189298
• Title: A machine learning framework for LES closure terms
• Title（参考訳）: LES閉鎖項のための機械学習フレームワーク
• Authors: Marius Kurz and Andrea Beck
• Abstract要約: 我々は、暗黙の離散化に基づくフィルタと数値近似誤差を組み込んだLES閉包モデルの一貫した枠組みを導出する。 等方性等方性乱流の直接数値シミュレーション結果から, 異なるLESフィルタ関数の正確な閉包項を算出する。 与えられたアプリケーションに対して、GRUアーキテクチャは精度で明らかにネットワークよりも優れている。
• 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: In the present work, we explore the capability of artificial neural networks (ANN) to predict the closure terms for large eddy simulations (LES) solely from coarse-scale data. To this end, we derive a consistent framework for LES closure models, with special emphasis laid upon the incorporation of implicit discretization-based filters and numerical approximation errors. We investigate implicit filter types, which are inspired by the solution representation of discontinuous Galerkin and finite volume schemes and mimic the behaviour of the discretization operator, and a global Fourier cutoff filter as a representative of a typical explicit LES filter. Within the perfect LES framework, we compute the exact closure terms for the different LES filter functions from direct numerical simulation results of decaying homogeneous isotropic turbulence. Multiple ANN with a multilayer perceptron (MLP) or a gated recurrent unit (GRU) architecture are trained to predict the computed closure terms solely from coarse-scale input data. For the given application, the GRU architecture clearly outperforms the MLP networks in terms of accuracy, whilst reaching up to 99.9% cross-correlation between the networks' predictions and the exact closure terms for all considered filter functions. The GRU networks are also shown to generalize well across different LES filters and resolutions. The present study can thus be seen as a starting point for the investigation of data-based modeling approaches for LES, which not only include the physical closure terms, but account for the discretization effects in implicitly filtered LES as well.
• Abstract（参考訳）: 本研究では,粗いデータのみから大規模渦シミュレーション(les)の閉包条件を予測するための人工ニューラルネットワーク(ann)の能力について検討する。 この目的のために我々は、暗黙的離散化に基づくフィルタと数値近似誤差を組み込んだ、les閉包モデルの一貫した枠組みを導出する。 非連続的ガレルキンと有限体積スキームの解表現に触発された暗黙的フィルタタイプを調査し、離散化演算子の挙動を模倣し、典型的な明示的lesフィルタの代表として大域的フーリエカットオフフィルタを提案する。 完全LESフレームワーク内では、崩壊等方性等方性乱流の直接数値シミュレーション結果から、異なるLESフィルタ関数の正確な閉包項を計算する。 多層パーセプトロン(MLP)またはゲートリカレントユニット(GRU)アーキテクチャを持つ複数のANNをトレーニングし、粗大な入力データからのみ計算されたクロージャ項を予測する。 与えられたアプリケーションでは、gruアーキテクチャがmlpネットワークを正確性の観点から明らかに上回っており、ネットワークの予測と考慮されたすべてのフィルタ関数の正確なクロージャ項との相関は最大99.9%に達する。 また、GRUネットワークは様々なLESフィルタと解像度でよく一般化されている。 そこで本研究では,LESデータに基づくモデリング手法の研究の出発点として,物理クロージャ項を含むだけでなく,暗黙的にフィルタリングしたLESにおける離散化効果も考慮する。

関連論文リスト

• Normalising Flow-based Differentiable Particle Filters [19.09640071505051]
  本稿では、(条件付き)正規化フローを用いて、その動的モデル、提案分布、測定モデルを構築する、微分可能な粒子フィルタリングフレームワークを提案する。 提案するフィルタの理論的特性を導出し, 一連の数値実験により, フローベース微分可能な粒子フィルタの性能の正規化を評価する。
  論文  参考訳（メタデータ） (2024-03-03T12:23:17Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Toward Discretization-Consistent Closure Schemes for Large Eddy Simulation Using Reinforcement Learning [0.0]
  本研究では,大渦シミュレーション(LES)のための離散化整合閉包法の開発手法を提案する。 LES閉鎖モデルの係数を適応させるタスクはマルコフ決定プロセスとしてフレーム化され、強化学習(RL)を用いて後続的に解決される。 新たに派生したすべてのモデルは、異なる離散化と解像度のために従来のモデルにマッチするか、より優れる正確な結果を得る。
  論文  参考訳（メタデータ） (2023-09-12T14:20:12Z)
• Learning Closed-form Equations for Subgrid-scale Closures from High-fidelity Data: Promises and Challenges [1.2582887633807602]
  2次元乱流とレイリー・ブエナード対流のフィルタ数値シミュレーションから閉包を学習する。 発見された閉包はテイラー級数の先頭項と一致することを示す。 これらの知見は,任意のマルチスケールシステムのクロージャモデリングに関係している。
  論文  参考訳（メタデータ） (2023-06-08T08:07:54Z)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• Deep Reinforcement Learning for Turbulence Modeling in Large Eddy Simulations [0.0]
  本研究では,拡張学習フレームワークを用いて,暗黙的にフィルタされた大渦シミュレーションのための最適渦視率を求める。 訓練されたモデルが長期安定なシミュレーションを提供し、精度で確立された解析モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-21T07:25:43Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Machine learning-based conditional mean filter: a generalization of the ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
  スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。 提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
  論文  参考訳（メタデータ） (2021-06-15T06:40:32Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。