論文の概要: A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries
- arxiv url: http://arxiv.org/abs/2010.09469v2
- Date: Thu, 16 Sep 2021 22:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 05:40:10.958768
- Title: A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries
- Title(参考訳): 不規則測地における流体場予測のためのポイントクラウド深層学習フレームワーク
- Authors: Ali Kashefi, Davis Rempe, Leonidas J. Guibas
- Abstract要約: ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
- 参考スコア(独自算出の注目度): 62.28265459308354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel deep learning framework for flow field predictions in
irregular domains when the solution is a function of the geometry of either the
domain or objects inside the domain. Grid vertices in a computational fluid
dynamics (CFD) domain are viewed as point clouds and used as inputs to a neural
network based on the PointNet architecture, which learns an end-to-end mapping
between spatial positions and CFD quantities. Using our approach, (i) the
network inherits desirable features of unstructured meshes (e.g., fine and
coarse point spacing near the object surface and in the far field,
respectively), which minimizes network training cost; (ii) object geometry is
accurately represented through vertices located on object boundaries, which
maintains boundary smoothness and allows the network to detect small changes
between geometries; and (iii) no data interpolation is utilized for creating
training data; thus accuracy of the CFD data is preserved. None of these
features are achievable by extant methods based on projecting scattered CFD
data into Cartesian grids and then using regular convolutional neural networks.
Incompressible laminar steady flow past a cylinder with various shapes for its
cross section is considered. The mass and momentum of predicted fields are
conserved. We test the generalizability of our network by predicting the flow
around multiple objects as well as an airfoil, even though only single objects
and no airfoils are observed during training. The network predicts the flow
fields hundreds of times faster than our conventional CFD solver, while
maintaining excellent to reasonable accuracy.
- Abstract(参考訳): 本稿では,不規則領域における流れ場予測のための新しい深層学習フレームワークを提案する。
計算流体力学(cfd)領域の格子頂点は点雲と見なされ、空間的位置とcfd量の間のエンドツーエンドマッピングを学ぶpointnetアーキテクチャに基づくニューラルネットワークへの入力として使用される。
私たちのアプローチを使って
(i)ネットワークは、ネットワークのトレーニングコストを最小化する非構造化メッシュ(例えば、物体表面付近及び遠方界における細かな点間隔など)の望ましい特徴を継承する。
(II)オブジェクトの幾何学は、境界の滑らかさを維持し、ネットワークがジオメトリ間の小さな変化を検出できるように、オブジェクト境界上の頂点を通して正確に表現される。
(iii)トレーニングデータの作成にはデータ補間が利用されず、cfdデータの精度が保持される。
これらの機能はいずれも、分散CFDデータをカルト格子に投影し、通常の畳み込みニューラルネットワークを使用する既存の方法によって達成できない。
断面形状の異なる円筒を過ぎる非圧縮性層流を考察した。
予測された場の質量と運動量は保存される。
我々は,訓練中に単一物体のみを観測し,翼のない状態で,複数の物体のまわりの流れを予測し,ネットワークの一般化性を検証した。
ネットワークは従来のCFDソルバの数百倍の速さで流れ場を予測し,精度は良好である。
関連論文リスト
- Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with
Latent Geometric-Consistent Learning [52.825441454264585]
Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。
ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。
密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
論文 参考訳(メタデータ) (2024-03-08T07:31:14Z) - Finite Volume Features, Global Geometry Representations, and Residual
Training for Deep Learning-based CFD Simulation [8.472186259556597]
グラフニューラルネットワーク(GNN)に基づくCFD法が提案されている。
本研究は,最短ベクトル(SV)と方向統合距離(DID)の2つの新しい幾何学的表現を提案する。
実験結果から, SV, DID, FVF, 残留訓練は, 現行GNN方式の予測誤差を最大41%低減できることがわかった。
論文 参考訳(メタデータ) (2023-11-24T13:19:06Z) - Identification of vortex in unstructured mesh with graph neural networks [0.0]
本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。
2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
論文 参考訳(メタデータ) (2023-11-11T12:10:16Z) - Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。
格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。
トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
論文 参考訳(メタデータ) (2023-09-11T21:14:55Z) - A Finite Element-Inspired Hypergraph Neural Network: Application to
Fluid Dynamics Simulations [4.984601297028257]
ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。
本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。
本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
論文 参考訳(メタデータ) (2022-12-30T04:10:01Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。
要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文 参考訳(メタデータ) (2022-10-01T21:17:39Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-13T07:45:48Z) - Graph Convolutional Neural Networks for Body Force Prediction [0.0]
グラフベースのデータ駆動モデルを示し、非構造化メッシュ上で定義されたフィールドの推論を行う。
ネットワークは、異なる解像度のフィールドサンプルから推論することができ、各サンプルの測定結果が提示される順序に不変である。
論文 参考訳(メタデータ) (2020-12-03T19:53:47Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z)
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。