論文の概要: Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows

• arxiv url: http://arxiv.org/abs/2010.06701v2
• Date: Mon, 7 Dec 2020 21:32:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:57:20.714641
• Title: Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows
• Title（参考訳）: 非圧縮性流れに対する低次元モデルの演算子推論と物理インフォームドラーニング
• Authors: Peter Benner, Pawan Goyal, Jan Heiland, Igor Pontes Duff
• Abstract要約: 本稿では,データからの非圧縮性流れに対する構造的低次モデル学習への新たなアプローチを提案する。 本研究では,速度と圧力の学習ダイナミクスを分離し,効率的な演算子推論手法を提案する。
• 参考スコア（独自算出の注目度）: 5.756349331930218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reduced-order modeling has a long tradition in computational fluid dynamics. The ever-increasing significance of data for the synthesis of low-order models is well reflected in the recent successes of data-driven approaches such as Dynamic Mode Decomposition and Operator Inference. With this work, we suggest a new approach to learning structured low-order models for incompressible flow from data that can be used for engineering studies such as control, optimization, and simulation. To that end, we utilize the intrinsic structure of the Navier-Stokes equations for incompressible flows and show that learning dynamics of the velocity and pressure can be decoupled, thus leading to an efficient operator inference approach for learning the underlying dynamics of incompressible flows. Furthermore, we show the operator inference performance in learning low-order models using two benchmark problems and compare with an intrusive method, namely proper orthogonal decomposition, and other data-driven approaches.
• Abstract（参考訳）: 減数次モデリングは計算流体力学において長い伝統を持つ。 低次モデルの合成におけるデータの重要性は、動的モード分解や演算子推論のようなデータ駆動アプローチの最近の成功によく反映されている。 本研究では,制御,最適化,シミュレーションなどの工学研究に使用できるデータから非圧縮フローのための構造化低次モデルを学ぶための新しい手法を提案する。 そこで本研究では,非圧縮性流れに対するnavier-stokes方程式の固有構造を利用し,速度と圧力の学習ダイナミクスを分離できることを示す。 さらに,2つのベンチマーク問題を用いた低次モデル学習における演算子推論性能を示し,正規直交分解法や他のデータ駆動手法と比較した。

関連論文リスト

• Deep Learning for Koopman Operator Estimation in Idealized Atmospheric Dynamics [2.2489531925874013]
  ディープラーニングは、気象予報に革命をもたらしており、新しいデータ駆動モデルは、中期予測のための運用物理モデルと同等の精度を達成している。 これらのモデルは解釈可能性に欠けることが多く、基礎となる力学を理解するのが難しく、説明が難しい。 本稿では、データ駆動モデルの透明性を高めるために、複雑な非線形力学の線形表現を提供するクープマン作用素を推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T13:56:54Z)
• Koopman-Based Surrogate Modelling of Turbulent Rayleigh-Bénard Convection [4.248022697109535]
  我々は,LRAN(Linear Recurrent Autoencoder Network)と呼ばれるクープマンにインスパイアされたアーキテクチャを用いて,対流中の低次ダイナミクスを学習する。 従来の流体力学法であるKernel Dynamic Mode Decomposition (KDMD)を用いてLRANを比較する。 我々は,最も乱流条件下では,KDMDよりもLRANの方が正確な予測値を得た。
  論文  参考訳（メタデータ） (2024-05-10T12:15:02Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
  独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。 圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
  論文  参考訳（メタデータ） (2023-06-28T18:14:22Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• Operator inference with roll outs for learning reduced models from scarce and low-quality data [0.0]
  本稿では、演算子推論によるデータ駆動モデリングと、ニューラル常微分方程式のロールアウトによる動的トレーニングを組み合わせることを提案する。 実験では,データのサンプル化やノイズの最大10%の汚染があっても,ロールアウトによる演算子推論が学習軌跡からの予測モデルを提供することを示した。
  論文  参考訳（メタデータ） (2022-12-02T19:41:31Z)
• Active operator inference for learning low-dimensional dynamical-system models from noisy data [0.0]
  ノイズは、既に小さな変動が軌道データによって記述された力学を歪めてしまうため、力学系モデルを学ぶための課題となる。 この研究は、科学的機械学習からの演算子推論に基づいて、ノイズで汚染された高次元状態軌跡から低次元モデルを推定する。
  論文  参考訳（メタデータ） (2021-07-20T04:30:07Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• 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)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

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。