論文の概要: Finite volume method network for acceleration of unsteady computational fluid dynamics: non-reacting and reacting flows

• arxiv url: http://arxiv.org/abs/2105.03332v2
• Date: Tue, 25 Jul 2023 02:44:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 22:09:46.840295
• Title: Finite volume method network for acceleration of unsteady computational fluid dynamics: non-reacting and reacting flows
• Title（参考訳）: 非定常計算流体力学の加速のための有限体積法ネットワーク:非反応と反応流
• Authors: Joongoo Jeon, Juhyeong Lee, Sung Joong Kim
• Abstract要約: CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。 反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite rapid improvements in the performance of central processing unit (CPU), the calculation cost of simulating chemically reacting flow using CFD remains infeasible in many cases. The application of the convolutional neural networks (CNNs) specialized in image processing in flow field prediction has been studied, but the need to develop a neural netweork design fitted for CFD is recently emerged. In this study, a neural network model introducing the finite volume method (FVM) with a unique network architecture and physics-informed loss function was developed to accelerate CFD simulations. The developed network model, considering the nature of the CFD flow field where the identical governing equations are applied to all grids, can predict the future fields with only two previous fields unlike the CNNs requiring many field images (>10,000). The performance of this baseline model was evaluated using CFD time series data from non-reacting flow and reacting flow simulation; counterflow and hydrogen flame with 20 detailed chemistries. Consequently, we demonstrated that (1) the FVM-based network architecture provided improved accuracy of multistep time series prediction compared to the previous MLP model (2) the physic-informed loss function prevented non-physical overfitting problem and ultimately reduced the error in time series prediction (3) observing the calculated residuals in an unsupervised manner could indirectly estimate the network accuracy. Additionally, under the reacting flow dataset, the computational speed of this network model was measured to be about 10 times faster than that of the CFD solver.
• Abstract（参考訳）: 中央処理ユニット (CPU) の性能は急速に向上したが, CFD を用いた化学反応流のシミュレーションに要する計算コストは, 多くの場合不可能である。 流れ場予測における画像処理に特化した畳み込みニューラルネットワーク(CNN)の適用が研究されているが,近年,CFDに適合したニューラルネットウェアク設計の開発の必要性が高まっている。 本研究では,有限体積法(FVM)を独自のネットワークアーキテクチャと物理インフォームド損失関数で導入し,CFDシミュレーションを高速化するニューラルネットワークモデルを開発した。 同一の制御方程式が全ての格子に適用されるCFD流れ場の性質を考慮し,CNNとは異なり,従来の2つのフィールドのみを用いて将来のフィールドを予測することができる(>10,000)。 非反応流のCFD時系列データと反応流シミュレーション,20種の詳細な化学薬品を用いた対向流と水素火炎を用いて,本モデルの性能評価を行った。 その結果,(1)fvmベースのネットワークアーキテクチャは,従来のmlpモデルと比較して,多段階時系列予測の精度が向上し,(2)物理的な損失関数は非物理的な過剰フィッティングを防止し,(3)教師なしの方法で計算残差を観測することでネットワーク精度を間接的に推定できることを示した。 さらに,反応フローデータセットでは,このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。

関連論文リスト

• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• 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)
• 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)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)
• 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)
• CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
  CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。 多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。 本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
  論文  参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。