Fugu-MT 論文翻訳(概要): Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media

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

SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文参考訳（メタデータ） (2024-09-30T17:59:03Z)
Implicit Neural Representation For Accurate CFD Flow Field Prediction [0.0]
航空機エンジンタービンと圧縮機のブレードに適用した3次元流れ場予測のためのディープラーニングフレームワークを提案する。我々は、任意の3Dフィールドを、バックボーンネットと呼ばれるニューラルネットワークによってモデル化された座標からの関数と見なす。境界層、ウェイク、衝撃波などの重要な流れ特性を正確に描画することができる。
論文参考訳（メタデータ） (2024-08-12T20:41:07Z)
Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文参考訳（メタデータ） (2024-07-29T11:48:44Z)
Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文参考訳（メタデータ） (2024-07-26T06:29:09Z)
GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
論文参考訳（メタデータ） (2024-03-18T17:50:41Z)
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)
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)
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)
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。