論文の概要: Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection
- arxiv url: http://arxiv.org/abs/2101.11325v1
- Date: Wed, 27 Jan 2021 11:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 23:26:20.450612
- Title: Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection
- Title（参考訳）: 2次元乱流レイリー・b・エナード対流に対するエコー状態ネットワーク
- Authors: Florian Heyder and J\"org Schumacher
- Abstract要約: モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recurrent neural networks are machine learning algorithms which are suited
well to predict time series. Echo state networks are one specific
implementation of such neural networks that can describe the evolution of
dynamical systems by supervised machine learning without solving the underlying
nonlinear mathematical equations. In this work, we apply an echo state network
to approximate the evolution of two-dimensional moist Rayleigh-B\'enard
convection and the resulting low-order turbulence statistics. We conduct
long-term direct numerical simulations in order to obtain training and test
data for the algorithm. Both sets are pre-processed by a Proper Orthogonal
Decomposition (POD) using the snapshot method to reduce the amount of data. The
training data comprise long time series of the first 150 most energetic POD
coefficients. The reservoir is subsequently fed by the data and results in
predictions of future flow states. The predictions are thoroughly validated by
the data of the original simulation. Our results show good agreement of the
low-order statistics. This incorporates also derived statistical moments such
as the cloud cover close to the top of the convection layer and the flux of
liquid water across the domain. We conclude that our model is capable of
learning complex dynamics which is introduced here by the tight interaction of
turbulence with the nonlinear thermodynamics of phase changes between vapor and
liquid water. Our work opens new ways for the dynamic parametrization of
subgrid-scale transport in larger-scale circulation models.
- Abstract（参考訳）: 繰り返しニューラルネットワークは、時系列を予測するのに適した機械学習アルゴリズムです。
エコー状態ネットワークは、基礎となる非線形数学的方程式を解くことなく、教師付き機械学習によって動的システムの進化を記述することのできる、そのようなニューラルネットワークの特定の実装である。
本研究では、2次元湿潤レイリー・B・エナード対流の進化と、その結果生じる低次乱流統計をエコー状態ネットワークで近似する。
我々は,アルゴリズムのトレーニングデータとテストデータを取得するために,長期直接数値シミュレーションを行う。
どちらのセットも、データ量を減らすためにスナップショット法を用いて、Proper Orthogonal Decomposition (POD)によって前処理される。
トレーニングデータは、最初の150個の最もエネルギー的なPOD係数の長い時系列からなる。
貯水池はその後、データと結果によって将来のフロー状態の予測に供給されます。
予測は、元のシミュレーションのデータによって完全に検証される。
その結果,低次統計は良好に一致した。
これはまた、対流層の上部に近い雲のカバーや、ドメインを横切る液体水のフラックスなどの統計的な瞬間も含んでいます。
本研究では,蒸気と液体水の相変化の非線形熱力学と乱流の密接な相互作用によって導入される複雑なダイナミクスを学習できると結論づけた。
我々の研究は、大規模循環モデルにおけるサブグリッドスケール輸送の動的パラメトリゼーションのための新しい方法を開く。
関連論文リスト
- Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach [0.0]
本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。
LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。
幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
論文 参考訳（メタデータ） (2024-03-24T13:32:42Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - 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) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳（メタデータ） (2022-02-26T12:39:19Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳（メタデータ） (2021-12-07T03:33:39Z) - 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) - Predicting the flow field in a U-bend with deep neural networks [0.0]
本稿では計算流体力学(CFD)と深部ニューラルネットワークに基づく,異なる歪んだU字管内の流れ場を予測することを目的とした研究について述べる。
この研究の主な動機は、流体力学的船体最適化プロセスにおけるディープラーニングパラダイムの正当化に関する洞察を得ることであった。
論文 参考訳（メタデータ） (2020-10-01T09:03:02Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。