論文の概要: Inferring incompressible two-phase flow fields from the interface motion using physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2101.09833v1
• Date: Mon, 25 Jan 2021 00:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 18:55:52.741199
• Title: Inferring incompressible two-phase flow fields from the interface motion using physics-informed neural networks
• Title（参考訳）: 物理誘起ニューラルネットワークを用いた界面運動からの非圧縮二相流場推定
• Authors: Aaron B. Buhendwa, Stefan Adami, Nikolaus A. Adams (Technical University of Munich)
• Abstract要約: 本研究では,非圧縮性二相流問題に対して物理インフォームドニューラルネットワークを適用した。 前方問題のために、私達は二相CouetteおよびPoiseuilleの流れを解決します。 逆問題に対して,二相モデリングのための古典的テストケースを3つ検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, physics-informed neural networks are applied to incompressible two-phase flow problems. We investigate the forward problem, where the governing equations are solved from initial and boundary conditions, as well as the inverse problem, where continuous velocity and pressure fields are inferred from scattered-time data on the interface position. We employ a volume of fluid approach, i.e. the auxiliary variable here is the volume fraction of the fluids within each phase. For the forward problem, we solve the two-phase Couette and Poiseuille flow. For the inverse problem, three classical test cases for two-phase modeling are investigated: (i) drop in a shear flow, (ii) oscillating drop and (iii) rising bubble. Data of the interface position over time is generated by numerical simulation. An effective way to distribute spatial training points to fit the interface, i.e. the volume fraction field, and the residual points is proposed. Furthermore, we show that appropriate weighting of losses associated with the residual of the partial differential equations is crucial for successful training. The benefit of using adaptive activation functions is evaluated for both the forward and inverse problem.
• Abstract（参考訳）: 本研究では,非圧縮性二相流問題に対して物理インフォームドニューラルネットワークを適用した。 本研究では, 初期状態と境界条件から支配方程式を解くフォワード問題と, 界面位置の散乱時間データから連続速度と圧力場を推定する逆問題について検討する。 我々は大量の流体アプローチ、すなわち、それを用いる。 ここでの補助変数は、各相内の流体の体積率である。 前方問題のために、私達は二相CouetteおよびPoiseuilleの流れを解決します。 逆問題について、2相モデリングのための3つの古典的なテストケースを検討する:(i)せん断流れの低下、(ii)振動低下および(iii)上昇気泡。 時間経過中の界面位置のデータは数値シミュレーションによって生成される。 インタフェースに適合する空間的トレーニングポイントを配布する効果的な方法、すなわち、 体積分数体と残差点が 提案されます。 さらに, 偏微分方程式の残差に伴う損失の適切な重み付けが, トレーニングの成功に不可欠であることを示す。 適応的アクティベーション関数の利点は、前方および逆問題の両方に対して評価される。

関連論文リスト

• Physics-guided Full Waveform Inversion using Encoder-Solver Convolutional Neural Networks [7.56372030029358]
  フルウェーブフォーム・インバージョン(Full Waveform Inversion, FWI)は、与えられた領域における波動速度分布を推定する逆問題である。 我々は畳み込みニューラルネットワークに基づくエンコーダ-ソルバ事前条件の学習プロセスを開発する。 高周波データを用いた2次元物理モデルを用いてFWI問題の解法を実証する。
  論文  参考訳（メタデータ） (2024-05-27T23:03:21Z)
• Physics-constrained convolutional neural networks for inverse problems in spatiotemporal partial differential equations [4.266376725904727]
  偏微分方程式(PDE)における2種類の逆問題を解決するために,物理制約付き畳み込みニューラルネットワーク(PCCNN)を提案する。 第1の逆問題では、偏りのあるデータからオフセットしたデータを与えられる。 第2の逆問題では、PDEの解に関する情報が与えられる。 我々は,PC-CNNが様々なバイアスに対する真の解決策を正しく回復することを発見した。
  論文  参考訳（メタデータ） (2024-01-18T13:51:48Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• A fully-differentiable compressible high-order computational fluid dynamics solver [0.0]
  圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。 ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。 本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-09T15:18:51Z)
• Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
  勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。 また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
  論文  参考訳（メタデータ） (2021-11-03T15:14:20Z)
• Physics-informed neural network simulation of multiphase poroelasticity using stress-split sequential training [0.0]
  本稿では、弾性ネットワークに基づく偏微分方程式(PDE)に支配される問題を解くための枠組みを提案する。 この手法は, ポロシ, バリ・シエの注入-生産問題, および2相排水問題の解法に収束する。
  論文  参考訳（メタデータ） (2021-10-06T20:09:09Z)
• Dissipative flow equations [62.997667081978825]
  我々は、フロー方程式の理論をリンドブラッドマスター方程式に着目した開量子系に一般化する。 まず、一般行列上の散逸流方程式と、駆動散逸単フェルミオンモードによる物理問題について検討する。
  論文  参考訳（メタデータ） (2020-07-23T14:47:17Z)
• LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation [99.19322851246972]
  本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
  論文  参考訳（メタデータ） (2020-07-18T03:30:39Z)
• Physics Informed Deep Learning for Transport in Porous Media. Buckley Leverett Problem [0.0]
  貯水池モデリングのためのハイブリッド物理に基づく機械学習手法を提案する。 この手法は、物理に基づく正則化を伴う一連の深い敵対的ニューラルネットワークアーキテクチャに依存している。 提案手法は,物理知識を機械学習アルゴリズムに応用するためのシンプルでエレガントな手法である。
  論文  参考訳（メタデータ） (2020-01-15T08:20:11Z)

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。