論文の概要: A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field
Prediction of Heat Source Layout
- arxiv url: http://arxiv.org/abs/2103.11177v1
- Date: Sat, 20 Mar 2021 13:26:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 12:48:57.610769
- Title: A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field
Prediction of Heat Source Layout
- Title(参考訳): 熱源配置の温度場予測のためのディープニューラルネットワークサロゲートモデリングベンチマーク
- Authors: Xianqi Chen (1 and 2), Xiaoyu Zhao (2), Zhiqiang Gong (2), Jun Zhang
(2), Weien Zhou (2), Xiaoqian Chen (2), Wen Yao (2) ((1) College of Aerospace
Science and Engineering, National University of Defense Technology, (2)
National Innovation Institute of Defense Technology, Chinese Academy of
Military Science)
- Abstract要約: ディープニューラルネットワーク(DNN)回帰法は、その優れた計算性能のために実現可能な方法です。
本稿では,DNNベースのサロゲートモデリングタスクベンチマークを提案する。
実験は10の最先端のDNNモデルで行われます。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thermal issue is of great importance during layout design of heat source
components in systems engineering, especially for high functional-density
products. Thermal analysis generally needs complex simulation, which leads to
an unaffordable computational burden to layout optimization as it iteratively
evaluates different schemes. Surrogate modeling is an effective way to
alleviate computation complexity. However, temperature field prediction (TFP)
with complex heat source layout (HSL) input is an ultra-high dimensional
nonlinear regression problem, which brings great difficulty to traditional
regression models. The Deep neural network (DNN) regression method is a
feasible way for its good approximation performance. However, it faces great
challenges in both data preparation for sample diversity and uniformity in the
layout space with physical constraints, and proper DNN model selection and
training for good generality, which necessitates efforts of both layout
designer and DNN experts. To advance this cross-domain research, this paper
proposes a DNN based HSL-TFP surrogate modeling task benchmark. With
consideration for engineering applicability, sample generation, dataset
evaluation, DNN model, and surrogate performance metrics, are thoroughly
studied. Experiments are conducted with ten representative state-of-the-art DNN
models. Detailed discussion on baseline results is provided and future
prospects are analyzed for DNN based HSL-TFP tasks.
- Abstract(参考訳): 熱的問題は、特に高機能密度製品における熱源成分のレイアウト設計において非常に重要である。
熱分析は一般に複雑なシミュレーションを必要としており、異なるスキームを反復的に評価することにより、レイアウトの最適化に不適切な計算負荷をもたらす。
surrogate modelingは計算の複雑さを軽減する効果的な方法である。
しかし、複素熱源配置(HSL)入力を持つ温度場予測(TFP)は、超高次元非線形回帰問題であり、従来の回帰モデルでは大きな困難をもたらす。
ディープニューラルネットワーク(DNN)回帰法は、その優れた近似性能を実現するための実現可能な方法である。
しかし、物理制約のあるレイアウト空間におけるサンプルの多様性と均一性のためのデータ準備と、レイアウトデザイナーとDNNの専門家の両方の努力を必要とする適切なDNNモデル選択と訓練の両方において大きな課題に直面している。
本稿では,このクロスドメイン研究を進めるために,dnnベースのhsl-tfpサロゲートモデリングタスクベンチマークを提案する。
工学の適用性を考慮して,サンプル生成,データセット評価,DNNモデル,サロゲート性能指標を徹底的に検討した。
10種類の最先端DNNモデルを用いて実験を行う。
DNNに基づくHSL-TFPタスクにおけるベースライン結果の詳細な議論と今後の展望について分析する。
関連論文リスト
- Deep convolutional encoder-decoder hierarchical neural networks for
conjugate heat transfer surrogate modeling [0.0]
共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。
高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。
モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
論文 参考訳(メタデータ) (2023-11-24T21:45:11Z) - Deep Learning-based surrogate models for parametrized PDEs: handling
geometric variability through graph neural networks [0.0]
本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。
本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。
GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
論文 参考訳(メタデータ) (2023-08-03T08:14:28Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-28T12:02:27Z) - 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) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳(メタデータ) (2022-09-18T03:45:56Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks [14.198900757461555]
熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。
データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。
本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
論文 参考訳(メタデータ) (2022-01-21T10:43:57Z) - Physics-informed Convolutional Neural Networks for Temperature Field
Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。
ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
論文 参考訳(メタデータ) (2021-09-26T03:24:23Z)
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。