論文の概要: Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media
- arxiv url: http://arxiv.org/abs/2102.07625v1
- Date: Wed, 10 Feb 2021 23:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 15:20:14.893505
- Title: Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media
- Title(参考訳): 3次元多孔質媒体の流動性を考慮したマルチスケールニューラルネットワーク
- Authors: Javier Santos, Ying Yin, Honggeun Jo, Wen Pan, Qinjun Kang, Hari
Viswanathan, Masa Prodanovic, Michael Pyrcz, Nicholas Lubbers
- Abstract要約: 我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。
単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The permeability of complex porous materials can be obtained via direct flow
simulation, which provides the most accurate results, but is very
computationally expensive. In particular, the simulation convergence time
scales poorly as simulation domains become tighter or more heterogeneous.
Semi-analytical models that rely on averaged structural properties (i.e.
porosity and tortuosity) have been proposed, but these features only summarize
the domain, resulting in limited applicability. On the other hand, data-driven
machine learning approaches have shown great promise for building more general
models by virtue of accounting for the spatial arrangement of the domains solid
boundaries. However, prior approaches building on the Convolutional Neural
Network (ConvNet) literature concerning 2D image recognition problems do not
scale well to the large 3D domains required to obtain a Representative
Elementary Volume (REV). As such, most prior work focused on homogeneous
samples, where a small REV entails that that the global nature of fluid flow
could be mostly neglected, and accordingly, the memory bottleneck of addressing
3D domains with ConvNets was side-stepped. Therefore, important geometries such
as fractures and vuggy domains could not be well-modeled. In this work, we
address this limitation with a general multiscale deep learning model that is
able to learn from porous media simulation data. By using a coupled set of
neural networks that view the domain on different scales, we enable the
evaluation of large images in approximately one second on a single Graphics
Processing Unit. This model architecture opens up the possibility of modeling
domain sizes that would not be feasible using traditional direct simulation
tools on a desktop computer.
- Abstract(参考訳): 複雑な多孔質材料の透過性は、最も正確な結果を与える直接流シミュレーションによって得られるが、計算量は非常に高価である。
特にシミュレーション領域がより強固あるいは不均一になるにつれて、シミュレーション収束時間は小さくなる。
平均構造特性(すなわち)に依存する半分析モデル。
porosity と tortuosity) が提案されているが、これらの特徴はドメインを要約するだけで、適用性は限られている。
一方,データ駆動型機械学習アプローチは,領域の境界の空間的配置を考慮し,より汎用的なモデルを構築するという大きな可能性を示している。
しかし、2次元画像認識問題に関する畳み込みニューラルネットワーク(ConvNet)の文献に基づく先行的なアプローチは、代表的初等巻(REV)を得るのに必要な大きな3次元領域にはあまり及ばない。
このように、ほとんどの以前の研究は均質なサンプルに焦点を当てており、流体の流れのグローバルな性質がほとんど無視され、それゆえ、convnetによる3dドメインへの対処のメモリボトルネックは横置きされた。
したがって、破砕やウグジードメインのような重要なジオメトリはうまくモデル化できなかった。
本研究では,多孔質メディアシミュレーションデータから学習できる汎用的マルチスケール深層学習モデルを用いて,この制限に対処する。
異なるスケールでドメインを表示するニューラルネットワークの結合セットを使用することで、単一のグラフィックス処理ユニットで約1秒で大きな画像の評価を可能にします。
このモデルアーキテクチャは、デスクトップコンピュータ上の従来の直接シミュレーションツールでは実現不可能なドメインサイズをモデル化する可能性を開く。
関連論文リスト
- Cross-domain and Cross-dimension Learning for Image-to-Graph
Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。
画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。
そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文 参考訳(メタデータ) (2024-03-11T10:48:56Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳(メタデータ) (2024-02-24T13:42:34Z) - Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。
機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。
本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
論文 参考訳(メタデータ) (2023-07-25T15:49:25Z) - An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for
Extended Domains applied to Multiphase Flow in Pipes [0.0]
ドメイン分解フレームワーク内で,AIをベースとした非侵襲的低次モデルを提案する。
トレーニングで使用するドメインよりもはるかに大きなドメインの予測を行うことができる。
高忠実度CFDシミュレーションでAI-DDNIROMを訓練した水平管内の多相スラグ流に適用した。
論文 参考訳(メタデータ) (2022-02-13T00:32:17Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳(メタデータ) (2021-06-08T00:30:43Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳(メタデータ) (2021-06-01T08:46:04Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Flow-based Generative Models for Learning Manifold to Manifold Mappings [39.60406116984869]
本稿では,フローベース生成モデルに類似した,多様体値データに対する可逆層を3種類導入する。
配向分布関数の分野の脳画像を確実にかつ正確に再構築できる有望な結果を示します。
論文 参考訳(メタデータ) (2020-12-18T02:19:18Z) - Deep Active Surface Models [60.027353171412216]
アクティブサーフェスモデルは複雑な3次元表面をモデル化するのに有用な長い歴史を持っているが、ディープネットワークと組み合わせて使用されるのはアクティブ・コンターのみである。
グラフ畳み込みネットワークにシームレスに統合して、洗練された滑らかさを強制できるレイヤを導入します。
論文 参考訳(メタデータ) (2020-11-17T18:48:28Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
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。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - Style-transfer GANs for bridging the domain gap in synthetic pose
estimator training [8.508403388002133]
画素レベルの画像変換に汎用的なGANモデルを採用することを提案する。
得られたモデルは、トレーニング中または推論時に、ドメインギャップをブリッジするために使用される。
ドメインランダム化の程度で訓練されたモデルと比較すると,モデルの性能は大幅に向上した。
論文 参考訳(メタデータ) (2020-04-28T17:35:03Z)
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。