Fugu-MT 論文翻訳(概要): Direct Prediction of Steady-State Flow Fields in Meshed Domain with Graph Networks

論文の概要: Direct Prediction of Steady-State Flow Fields in Meshed Domain with Graph Networks

arxiv url: http://arxiv.org/abs/2105.02575v1
Date: Thu, 6 May 2021 10:35:54 GMT
ステータス: 処理完了
システム内更新日: 2021-05-07 20:06:39.822794
Title: Direct Prediction of Steady-State Flow Fields in Meshed Domain with Graph Networks
Title（参考訳）: グラフネットワークを用いたメッシュ領域における定常流れ場の直接予測
Authors: Lukas Harsch, Stefan Riedelbauch
Abstract要約: 本研究では,所定の形状設定に対して定常流場を直接予測するモデルを提案する。このモデルの利点は,局所的な構造を探索しながら,地球規模の物理システムを深く理解することにある。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a model to directly predict the steady-state flow field for a given geometry setup. The setup is an Eulerian representation of the fluid flow as a meshed domain. We introduce a graph network architecture to process the mesh-space simulation as a graph. The benefit of our model is a strong understanding of the global physical system, while being able to explore the local structure. This is essential to perform direct prediction and is thus superior to other existing methods.
Abstract（参考訳）: 本研究では,所定の形状設定に対して定常流場を直接予測するモデルを提案する。設定は、メッシュ領域としての流体の流れのオイラー表現である。メッシュ空間シミュレーションをグラフとして処理するためのグラフネットワークアーキテクチャを導入する。このモデルの利点は,局所的な構造を探索しながら,地球規模の物理システムを深く理解することにある。これは直接予測に不可欠であり、既存の方法よりも優れている。

関連論文リスト

A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文参考訳（メタデータ） (2024-12-12T16:05:39Z)
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)
Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文参考訳（メタデータ） (2024-02-13T14:13:17Z)
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)
Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文参考訳（メタデータ） (2022-02-28T15:53:10Z)
Deep Surrogate for Direct Time Fluid Dynamics [44.62475518267084]
グラフニューラルネットワーク(GNN)は、CFDシミュレーションで一般的に使用される不規則メッシュの特異性に対処することができる。我々は、不規則メッシュのための新しい直接時間GNNアーキテクチャを設計するために、現在進行中の作業を示す。
論文参考訳（メタデータ） (2021-12-16T10:08:20Z)
Graph Theory for Metro Traffic Modelling [30.20313152318824]
拡散法の観点からロンドン地下システムのモデリングのための基本的なグラフフレームワークを紹介します。次に、このようなメトログラフ上のデータを処理するモデルを紹介する。コミュータ運動は Fick の拡散の法則に従うことが示され、そこでグラフ Laplacian は解析モデルを提供する。
論文参考訳（メタデータ） (2021-05-11T12:52:52Z)
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)

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。