論文の概要: Machine Learning-Based Optimal Mesh Generation in Computational Fluid Dynamics

• arxiv url: http://arxiv.org/abs/2102.12923v1
• Date: Thu, 25 Feb 2021 15:25:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-26 13:36:44.548418
• Title: Machine Learning-Based Optimal Mesh Generation in Computational Fluid Dynamics
• Title（参考訳）: 計算流体力学における機械学習に基づく最適メッシュ生成
• Authors: Keefe Huang, Moritz Kr\"ugener, Alistair Brown, Friedrich Menhorn, Hans-Joachim Bungartz and Dirk Hartmann
• Abstract要約: 最適メッシュ密度を特定するための機械学習手法を提案する。 古典的手法を用いて最適化メッシュを生成し,最適メッシュ密度を予測する畳み込みネットワークのトレーニングを提案する。 2万のシミュレーションのトレーニングセットを使用して、98.7%以上の精度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computational Fluid Dynamics (CFD) is a major sub-field of engineering. Corresponding flow simulations are typically characterized by heavy computational resource requirements. Often, very fine and complex meshes are required to resolve physical effects in an appropriate manner. Since all CFD algorithms scale at least linearly with the size of the underlying mesh discretization, finding an optimal mesh is key for computational efficiency. One methodology used to find optimal meshes is goal-oriented adaptive mesh refinement. However, this is typically computationally demanding and only available in a limited number of tools. Within this contribution, we adopt a machine learning approach to identify optimal mesh densities. We generate optimized meshes using classical methodologies and propose to train a convolutional network predicting optimal mesh densities given arbitrary geometries. The proposed concept is validated along 2d wind tunnel simulations with more than 60,000 simulations. Using a training set of 20,000 simulations we achieve accuracies of more than 98.7%. Corresponding predictions of optimal meshes can be used as input for any mesh generation and CFD tool. Thus without complex computations, any CFD engineer can start his predictions from a high quality mesh.
• Abstract（参考訳）: 数値流体力学(CFD)は、エンジニアリングの主要なサブフィールドです。 対応する流れのシミュレーションは典型的には重い計算資源の要求によって特徴づけられる。 しばしば、物理的効果を適切に解決するために非常に微細で複雑なメッシュが必要である。 すべてのCFDアルゴリズムは、基礎となるメッシュの離散化のサイズと少なくとも線形にスケールするため、最適メッシュを見つけることが計算効率の鍵となる。 最適なメッシュを見つけるのに用いられる方法の1つは、目標指向の適応メッシュ改良である。 しかし、これは通常計算上必要であり、限られた数のツールでしか利用できない。 この貢献の中で、最適なメッシュ密度を特定するために機械学習アプローチを採用しています。 古典的手法を用いて最適化メッシュを生成し,任意のジオメトリに対して最適なメッシュ密度を予測する畳み込みネットワークを訓練する。 提案手法は2次元風洞シミュレーションと6万以上のシミュレーションにより検証された。 2万のシミュレーションのトレーニングセットを使用して、98.7%以上の精度を達成する。 最適なメッシュの予測は、任意のメッシュ生成およびcfdツールの入力として使用できる。 したがって、複雑な計算なしに、CFDエンジニアは高品質のメッシュから予測を開始できます。

関連論文リスト

• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• Physics-informed MeshGraphNets (PI-MGNs): Neural finite element solvers for non-stationary and nonlinear simulations on arbitrary meshes [13.41003911618347]
  PI-MGNは、PINNとMGNを組み合わせて任意のメッシュ上の非定常および非線形偏微分方程式(PDE)を解くハイブリッドアプローチである。 結果は、モデルが大規模で複雑なメッシュにうまくスケールしていることを示しているが、小さなジェネリックメッシュでのみトレーニングされている。
  論文  参考訳（メタデータ） (2024-02-16T13:34:51Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics [0.0]
  MeshDQNは、反復的に粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。 グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュを選択し、高価なシミュレーションをバイパスするためにソリューションを使用する。 MeshDQNは2つの2D翼のメッシュの改善に成功している。
  論文  参考訳（メタデータ） (2022-12-02T20:22:15Z)
• On the optimization and pruning for Bayesian deep learning [1.0152838128195467]
  重み空間上でニューラルネットワークを学習するための適応型変分ベイズアルゴリズムを提案する。 EM-MCMCアルゴリズムにより,ワンショットで最適化とモデルプルーニングを行うことができる。 我々の密度モデルは最先端の性能に到達でき、スパースモデルは以前提案したプルーニング方式と比較して非常によく機能する。
  論文  参考訳（メタデータ） (2022-10-24T05:18:08Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Enhanced data efficiency using deep neural networks and Gaussian processes for aerodynamic design optimization [0.0]
  随伴型最適化法は空気力学的形状設計において魅力的である。 複数の最適化問題が解決されている場合、それらは違法に高価になる可能性がある。 本稿では,高コストな随伴解法に取って代わる機械学習を実現するサロゲートベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-15T15:09:21Z)
• 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)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。