論文の概要: Flow based features and validation metric for machine learning
reconstruction of PIV data
- arxiv url: http://arxiv.org/abs/2105.13429v1
- Date: Thu, 27 May 2021 20:05:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 01:14:50.616032
- Title: Flow based features and validation metric for machine learning
reconstruction of PIV data
- Title（参考訳）: PIVデータの機械学習再構成のためのフローベース特徴と検証基準
- Authors: Ghasem Akbari, Nader Montazerin
- Abstract要約: 物理指向アプローチによる実データからのフローフィールドの再構築は、AIコミュニティにおける流体科学者の現在の課題である。
本稿では、異なるフローベースの特徴のコントリビューションを研究するために機械学習アプローチを適用する。
物理フロー再生の重要な要件として, 質量保存則を反映した計量法則を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of flow field from real sparse data by a physics-oriented
approach is a current challenge for fluid scientists in the AI community. The
problem includes feature recognition and implementation of AI algorithms that
link data to a physical feature space in order to produce reconstructed data.
The present article applies machine learning approach to study contribution of
different flow-based features with practical fluid mechanics applications for
reconstruction of the missing data of turbomachinery PIV measurements. Support
vector regression (SVR) and multi-layer perceptron (MLP) are selected as two
robust regressors capable of modelling non-linear fluid flow phenomena. The
proposed flow-based features are optimally scaled and filtered to extract the
best configuration. In addition to conventional data-based validation of the
regressors, a metric is proposed that reflects mass conservation law as an
important requirement for a physical flow reproduction. For a velocity field
including 25% of clustered missing data, the reconstruction accuracy achieved
by SVR in terms of R2-score is as high as 0.993 for the in-plane velocity
vectors in comparison with that obtained by MLP which is up to 0.981. In terms
of mass conservation metric, the SVR model by R2-score up to 0.96 is
considerably more accurate than the MLP estimator. For extremely sparse data
with a gappiness of 75%, vector and contour plots from SVR and MLP were
consistent with those of the original field.
- Abstract（参考訳）: 物理指向アプローチによる実際のスパースデータからのフローフィールドの再構築は、AIコミュニティにおける流体科学者の現在の課題である。
問題は、再構成されたデータを生成するために、データを物理的な特徴空間にリンクするAIアルゴリズムの機能認識と実装を含む。
本稿では, ターボ機械PIV計測の欠落データ復元のための流体力学を応用した, 異なる流れ特性の寄与を機械学習を用いて研究する。
支持ベクトル回帰(SVR)と多層パーセプトロン(MLP)は非線形流体現象をモデル化可能な2つの頑健な回帰器として選択される。
提案するフローベースの機能は最適な構成を抽出するために最適にスケールされフィルタされる。
従来のデータに基づく回帰器の検証に加えて, 物質保存則を物理フロー再生の重要な要件とする計量法が提案されている。
クラスタ化欠落データの25%を含む速度場において、R2スコアでSVRが達成した再現精度は、最大0.981のMLPに比べて、平面内速度ベクトルに対して0.993である。
質量保存距離の面では、R2スコアによるSVRモデルは、MLP推定器よりもかなり正確である。
空隙率75%の極小データに対して,SVRおよびMLPのベクトルおよび輪郭プロットは元のフィールドと一致していた。
関連論文リスト
- KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - A machine learning approach to the prediction of heat-transfer
coefficients in micro-channels [4.724825031148412]
2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。
マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
論文 参考訳（メタデータ） (2023-05-28T15:48:01Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed
Neural Network [6.309365332210523]
本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。
我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
論文 参考訳（メタデータ） (2022-09-19T16:11:51Z) - 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) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Machine Learning based CVD Virtual Metrology in Mass Produced
Semiconductor Process [0.0]
クロスベンチマークは、データインプット、特徴選択、回帰アルゴリズムの3つの重要な側面で行われている。
その結果,線形特徴選択回帰アルゴリズムはVMデータに不適合であることが判明した。
データの可用性は、最適精度が得られれば70%に過ぎず、高い予測精度を達成するためには、データインパッシングも必要である。
論文 参考訳（メタデータ） (2021-07-11T15:32:31Z) - Empirical Models for Multidimensional Regression of Fission Systems [0.0]
我々は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを開発する。
精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
論文 参考訳（メタデータ） (2021-05-30T22:53:39Z) - Physics-aware deep neural networks for surrogate modeling of turbulent
natural convection [0.0]
Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。
標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。
50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
論文 参考訳（メタデータ） (2021-03-05T09:48:57Z)
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。