論文の概要: Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations

• arxiv url: http://arxiv.org/abs/2104.14034v1
• Date: Wed, 28 Apr 2021 22:14:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 12:55:58.512193
• Title: Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations
• Title（参考訳）: 適応メッシュ微細化と粗化シミュレーションにおける動的モード分解
• Authors: Gabriel F. Barros, Mal\'u Grave, Alex Viguerie, Alessandro Reali, Alvaro L. G. A. Coutinho
• Abstract要約: 動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic Mode Decomposition (DMD) is a powerful data-driven method used to extract spatio-temporal coherent structures that dictate a given dynamical system. The method consists of stacking collected temporal snapshots into a matrix and mapping the nonlinear dynamics using a linear operator. The standard procedure considers that snapshots possess the same dimensionality for all the observable data. However, this often does not occur in numerical simulations with adaptive mesh refinement/coarsening schemes (AMR/C). This paper proposes a strategy to enable DMD to extract features from observations with different mesh topologies and dimensions, such as those found in AMR/C simulations. For this purpose, the adaptive snapshots are projected onto the same reference function space, enabling the use of snapshot-based methods such as DMD. The present strategy is applied to challenging AMR/C simulations: a continuous diffusion-reaction epidemiological model for COVID-19, a density-driven gravity current simulation, and a bubble rising problem. We also evaluate the DMD efficiency to reconstruct the dynamics and some relevant quantities of interest. In particular, for the SEIRD model and the bubble rising problem, we evaluate DMD's ability to extrapolate in time (short-time future estimates).
• Abstract（参考訳）: 動的モード分解(Dynamic Mode Decomposition, DMD)は、与えられた力学系を決定する時空間コヒーレント構造を抽出する強力なデータ駆動手法である。 この方法は、収集された時間スナップショットをマトリックスに積み重ね、線形演算子を用いて非線形ダイナミクスをマッピングする。 標準手順では、スナップショットは観測可能なすべてのデータに対して同じ次元を持つ。 しかし、アダプティブメッシュ精錬/粗大化スキーム(AMR/C)による数値シミュレーションではこのような現象は起こらないことが多い。 本稿では,dmdがamr/cシミュレーションに見られるような,異なるメッシュトポロジーと次元の観測から特徴を抽出する方法を提案する。 この目的のために、アダプティブスナップショットは同じ参照関数空間に投影され、MDDのようなスナップショットベースのメソッドが使用できる。 本研究は,AMR/Cシミュレーションの課題である,新型コロナウイルスの持続拡散反応疫学モデル,密度駆動重力電流シミュレーション,気泡上昇問題に適用する。 また,dmdの効率を評価し,ダイナミックスと関連する利害関係を再構築する。 特に,SEIRDモデルと気泡上昇問題に対して,DMDの時間外挿能力(短期将来予測)を評価する。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
  本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。 ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。 定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
  論文  参考訳（メタデータ） (2024-10-22T03:00:11Z)
• Entropic Regression DMD (ERDMD) Discovers Informative Sparse and Nonuniformly Time Delayed Models [0.0]
  エントロピー回帰を用いた最適多段階動的モード分解モデルを決定する手法を提案する。 非一様時間空間を実現するために,高忠実度時間遅延MDDモデルを生成する手法を開発した。 これらのモデルは、非常に効率的で堅牢であることが示されている。
  論文  参考訳（メタデータ） (2024-06-17T20:02:43Z)
• Real-Time Motion Detection Using Dynamic Mode Decomposition [0.40964539027092906]
  動的モード分解(DMD)に根ざしたストリーミングビデオデータに対する簡易かつ解釈可能なモーション検出アルゴリズムを提案する。 提案手法は,前景運動などの重要な映像特徴の進化と,DMDを映像セグメントに適用した結果となる行列の固有値との間には対応関係があることを生かしている。
  論文  参考訳（メタデータ） (2024-05-08T13:52:14Z)
• Optimized Dynamic Mode Decomposition for Reconstruction and Forecasting of Atmospheric Chemistry Data [3.1484174280822845]
  適応的かつ効率的な縮小順序モデルと予測ツールを構築するために最適化された動的モード分解を導入する。 DMDアルゴリズムは,夏季の大気汚染やバイオマス燃焼など,大気化学の既知の特徴を抽出することに成功した。
  論文  参考訳（メタデータ） (2024-04-13T15:44:12Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• 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)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• Bagging, optimized dynamic mode decomposition (BOP-DMD) for robust, stable forecasting with spatial and temporal uncertainty-quantification [2.741266294612776]
  動的モード分解(DMD)は、時間的または時間的データのスナップショット上で、最適な線形力学モデルを学習するためのフレームワークを提供する。 DMDアルゴリズムの大多数は、力学のノイズ測定によるバイアスエラーを起こしやすいため、モデル適合性の低下と不安定な予測能力に繋がる。 最適化されたMDDアルゴリズムは、変数予測最適化によりモデルバイアスを最小限に抑え、安定化された予測能力をもたらす。
  論文  参考訳（メタデータ） (2021-07-22T18:14:20Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。