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
- 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) - Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。
機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。
本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
論文 参考訳(メタデータ) (2023-07-25T15:49:25Z) - 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) - 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) - Graphical Normalizing Flows [11.23030807455021]
正規化フローは、ベース分布と一連のニューラルネットワークを組み合わせることで複雑な確率分布をモデル化する。
最先端アーキテクチャは、スカラーからベクトルへの可逆関数を持ち上げるために結合と自己回帰変換に依存している。
本稿では,所定あるいは学習可能なグラフィカル構造を持つ新しい非可逆変換であるグラフィカル正規化フローを提案する。
論文 参考訳(メタデータ) (2020-06-03T21:50:29Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。