論文の概要: U-Net-Based Surrogate Model For Evaluation of Microfluidic Channels
- arxiv url: http://arxiv.org/abs/2105.05173v1
- Date: Tue, 11 May 2021 16:27:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 16:58:00.968432
- Title: U-Net-Based Surrogate Model For Evaluation of Microfluidic Channels
- Title(参考訳): マイクロ流体チャネル評価のためのU-Netベースサロゲートモデル
- Authors: Quang Tuyen Le, Pao-Hsiung Chiu, Chin Chun Ooi
- Abstract要約: 本研究では,U-Net畳み込みニューラルネットワークをサーロゲートモデルとして,速度と圧力場の予測に用いることを実証する。
どちらのアプリケーションでも1%未満の予測テスト誤差が示されており、これが実際に実行可能な方法であることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Microfluidics have shown great promise in multiple applications, especially
in biomedical diagnostics and separations. While the flow properties of these
microfluidic devices can be solved by numerical methods such as computational
fluid dynamics (CFD), the process of mesh generation and setting up a numerical
solver requires some domain familiarity, while more intuitive commercial
programs such as Fluent and StarCCM can be expensive. Hence, in this work, we
demonstrated the use of a U-Net convolutional neural network as a surrogate
model for predicting the velocity and pressure fields that would result for a
particular set of microfluidic filter designs. The surrogate model is fast,
easy to set-up and can be used to predict and assess the flow velocity and
pressure fields across the domain for new designs of interest via the input of
a geometry-encoding matrix. In addition, we demonstrate that the same
methodology can also be used to train a network to predict pressure based on
velocity data, and propose that this can be an alternative to numerical
algorithms for calculating pressure based on velocity measurements from
particle-image velocimetry measurements. Critically, in both applications, we
demonstrate prediction test errors of less than 1%, suggesting that this is
indeed a viable method.
- Abstract(参考訳): マイクロ流体学は、特にバイオメディカル診断と分離において、複数の応用において大きな可能性を示してきた。
これらのマイクロ流体デバイスの流動特性は計算流体力学(CFD)などの数値計算法で解けるが、メッシュの生成と数値解法の設定にはある程度のドメイン親しみが必要であり、FluentやStarCCMのような直感的な商用プログラムは高価である。
そこで本研究では,u-net畳み込みニューラルネットワークをサーロゲートモデルとして使用することにより,特定のマイクロ流体フィルタの設計結果の速度と圧力場を予測することを実証した。
サーロゲートモデルは高速で、設定が容易であり、幾何エンコーディング行列の入力を通じて、新しい興味のある設計のためにドメイン全体の流れ速度と圧力場を予測および評価するのに使うことができる。
さらに, 速度データに基づく圧力予測のために, 同じ手法を用いてネットワークをトレーニングできることを実証し, 粒子画像速度測定による速度測定に基づく圧力計算のための数値アルゴリズムの代替として提案する。
両アプリケーションとも、1%未満の予測テスト誤差を示し、これが実際に実行可能な方法であることを示唆している。
関連論文リスト
- Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳(メタデータ) (2024-09-11T10:38:30Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - 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) - Variational encoder geostatistical analysis (VEGAS) with an application
to large scale riverine bathymetry [1.2093180801186911]
水位測定としても知られる河床形状の推定は,多くの応用において重要な役割を担っている。
本稿では,中央に狭い層を持つディープニューラルネットワークである可変オートエンコーダ(VAE)を利用するリダクション・オーダー・モデル(ROM)に基づくアプローチを提案する。
アメリカ合衆国,サバンナ川の1マイル到達地点において,我々の逆解析手法を検証した。
論文 参考訳(メタデータ) (2021-11-23T08:27:48Z) - Deep learning-based fast solver of the shallow water equations [1.2093180801186911]
浅水方程式(SWE)の従来の数値解法は計算に高価であり、高分解能な河床形状測定(ベースメトリー)を必要とする。
そこで我々は,まず主成分測地学的アプローチ(PCGA)を用いて,流速測定から流速測定の確率密度関数を推定し,機械学習(ML)アルゴリズムを用いてSWEの高速解法を得る2段階プロセスを提案する。
以上の結果から, 高速解法は, 浴量測定とBCの異なる流速を, 計算コストで精度良く予測できることを示した。
論文 参考訳(メタデータ) (2021-11-23T07:47:56Z) - 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) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Finite volume method network for acceleration of unsteady computational
fluid dynamics: non-reacting and reacting flows [0.0]
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。
論文 参考訳(メタデータ) (2021-05-07T15:33:49Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z)
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。