論文の概要: Generalized Joint Probability Density Function Formulation inTurbulent
Combustion using DeepONet
- arxiv url: http://arxiv.org/abs/2104.01996v1
- Date: Mon, 5 Apr 2021 16:40:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 18:05:16.533590
- Title: Generalized Joint Probability Density Function Formulation inTurbulent
Combustion using DeepONet
- Title（参考訳）: deeponetを用いた一般ジョイント確率密度関数式乱流燃焼
- Authors: Rishikesh Ranade, Kevin Gitushi, Tarek Echekki
- Abstract要約: 我々はDeep Operator Network(DeepONet)を用いた一般化された共同PDFモデルの概念を提案する。
deeponetは、与えられた空間的位置と離散的pc座標でpcの無条件手段でパラメータ化される機械学習モデルである。
本研究では,サンディア火炎D,E,FにおけるDeepONetの精度と一般化性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint probability density function (PDF)-based models in turbulent combustion
provide direct closure for turbulence-chemistry interactions. The joint PDFs
capture the turbulent flame dynamics at different spatial locations and hence
it is crucial to represent them accurately. The jointPDFs are parameterized on
the unconditional means of thermo-chemical state variables, which can be high
dimensional. Thus, accurate construction of joint PDFs at various spatial
locations may require an exorbitant amount of data. In a previous work, we
introduced a framework that alleviated data requirements by constructing joint
PDFs in a lower dimensional space using principal component analysis (PCA) in
conjunction with Kernel Density Estimation (KDE). However, constructing the
principal component (PC) joint PDFs is still computationally expensive as they
are required to be calculated at each spatial location in the turbulent flame.
In this work, we propose the concept of a generalized joint PDF model using the
Deep Operator Network (DeepONet). The DeepONet is a machine learning model that
is parameterized on the unconditional means of PCs at a given spatial location
and discrete PC coordinates and predicts the joint probability density value
for the corresponding PC coordinate. We demonstrate the accuracy and
generalizability of the DeepONet on the Sandia flames, D, E and F. The DeepONet
is trained based on the PC joint PDFs observed inflame E and yields excellent
predictions of joint PDFs shapes at different spatial locations of flamesD and
F, which are not seen during training
- Abstract（参考訳）: 乱流燃焼における結合確率密度関数(PDF)に基づくモデルは、乱流-化学相互作用の直接閉鎖を与える。
共同PDFは、異なる空間位置における乱流火炎力学を捉えており、それらを正確に表現することが重要である。
ジョイントPDFは熱化学状態変数の無条件でパラメータ化され、これは高次元である。
したがって、様々な空間における共同pdfの正確な構築には、膨大な量のデータが必要となる。
従来の研究では,KDEと組み合わせて主成分分析(PCA)を用いて,低次元空間に共同PDFを構築することにより,データ要求を緩和するフレームワークを導入していた。
しかし, 主成分(PC)共同PDFの構築には, 乱流火炎における各空間位置で計算する必要があるため, 依然として計算コストがかかる。
本稿では,Deep Operator Network (DeepONet) を用いた一般化された共同PDFモデルを提案する。
DeepONetは、与えられた空間的位置と離散的なPC座標におけるPCの無条件平均に基づいてパラメータ化され、対応するPC座標の結合確率密度値を予測する機械学習モデルである。
We demonstrate the accuracy and generalizability of the DeepONet on the Sandia flames, D, E and F。 The DeepONet is training based on the PC joint PDFs observed inflame E and yields excellent predictions of joint PDFs at different spatial location offlasD and F, which are not seen during training。
関連論文リスト
- FLoRA: Low-Rank Core Space for N-dimension [78.39310274926535]
さまざまな下流タスクに事前訓練された基礎モデルを適応させることは、人工知能において一般的である。
これを軽減するために、事前訓練されたモデルの重みをより資源効率の良い方法で更新するために、いくつかの微調整技術が開発されている。
本稿では,多次元パラメータ空間用に設計された一般化されたパラメータ効率きめ細調整フレームワークFLoRAを提案する。
論文 参考訳（メタデータ） (2024-05-23T16:04:42Z) - Bounded KRnet and its applications to density estimation and approximation [7.834363165328673]
本稿では,有界領域上に,B-KRnetと呼ばれる可逆写像を開発する。
データに対する密度推定/近似や、フォッカー・プランク方程式やケラー・セゲル方程式のようなPDEの解に応用する。
論文 参考訳（メタデータ） (2023-05-15T23:12:15Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-10-13T16:39:53Z) - Data-driven deep density estimation [23.46612653627991]
密度推定は多くのデータ解析タスクにおいて重要な役割を担い、離散サンプルから連続確率密度関数(PDF)を推定する。
我々は、PDFを正確かつ効率的に推定するために、学習したデータ駆動深度推定(DDE)を導入する。
論文 参考訳（メタデータ） (2021-07-23T08:53:46Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳（メタデータ） (2021-07-05T18:30:26Z) - Balancing Geometry and Density: Path Distances on High-Dimensional Data [0.0]
パワー重み付き最短経路距離(PWSPD)の新しい幾何学的および計算的解析について述べる。
これらのメトリクスが基礎データの密度とジオメトリのバランスをとる方法を照らすことによって、これらのメトリクスが実際にどのように選択されるかについて議論します。
論文 参考訳（メタデータ） (2020-12-17T04:03:15Z) - 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) - Solving Inverse Stochastic Problems from Discrete Particle Observations
Using the Fokker-Planck Equation and Physics-informed Neural Networks [7.6595660586147325]
物理インフォームドニューラルネットワーク(PINN)に基づくフレームワークを開発する。
PINNは分岐サンプルとフォッカー・プランク方程式を結合し、同時に方程式を学習し、多次元確率密度関数を推定する。
我々はFP方程式と力学を同時に高精度に推定できることを最大5次元で示す。
論文 参考訳（メタデータ） (2020-08-24T18:51:56Z) - Variational Hyper-Encoding Networks [62.74164588885455]
ニューラルネットワークパラメータの分布を符号化するHyperVAEというフレームワークを提案する。
遅延符号の後部分布を予測し,行列ネットワークデコーダを用いて後部分布q(theta)を生成する。
論文 参考訳（メタデータ） (2020-05-18T06:46:09Z) - An Efficient Machine-Learning Approach for PDF Tabulation in Turbulent
Combustion Closure [0.3277163122167433]
我々は、回帰と自己組織化マップ(SOM)のための多層認識(MLP)ニューラルネットワークに依存した適応学習アルゴリズムを導入し、異なるネットワークを用いてデータを集計する。
このアルゴリズムは、RANSとLESシミュレーションの両方を用いて、いわゆるDLR-A乱流噴流拡散炎に対して検証される。
論文 参考訳（メタデータ） (2020-05-18T00:13:55Z)
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。