論文の概要: Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models
- arxiv url: http://arxiv.org/abs/2106.05722v1
- Date: Thu, 10 Jun 2021 13:07:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-11 14:01:51.627779
- Title: Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models
- Title（参考訳）: 深層学習に基づく還元秩序モデルによるパラメータ依存流体のリアルタイムシミュレーション
- Authors: Stefania Fresca, Andrea Manzoni
- Abstract要約: 還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
- 参考スコア（独自算出の注目度）: 0.2538209532048866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulating fluid flows in different virtual scenarios is of key importance in
engineering applications. However, high-fidelity, full-order models relying,
e.g., on the finite element method, are unaffordable whenever fluid flows must
be simulated in almost real-time. Reduced order models (ROMs) relying, e.g., on
proper orthogonal decomposition (POD) provide reliable approximations to
parameter-dependent fluid dynamics problems in rapid times. However, they might
require expensive hyper-reduction strategies for handling parameterized
nonlinear terms, and enriched reduced spaces (or Petrov-Galerkin projections)
if a mixed velocity-pressure formulation is considered, possibly hampering the
evaluation of reliable solutions in real-time. Dealing with fluid-structure
interactions entails even higher difficulties. The proposed deep learning
(DL)-based ROMs overcome all these limitations by learning in a non-intrusive
way both the nonlinear trial manifold and the reduced dynamics. To do so, they
rely on deep neural networks, after performing a former dimensionality
reduction through POD enhancing their training times substantially. The
resulting POD-DL-ROMs are shown to provide accurate results in almost real-time
for the flow around a cylinder benchmark, the fluid-structure interaction
between an elastic beam attached to a fixed, rigid block and a laminar
incompressible flow, and the blood flow in a cerebral aneurysm.
- Abstract（参考訳）: 異なる仮想シナリオにおける流体流動のシミュレーションは、エンジニアリングアプリケーションにおいて重要である。
しかし、例えば有限要素法に依拠する高忠実度フル次モデルでは、流体の流れをほぼリアルタイムにシミュレートしなければならないときは常に耐えられない。
例えば、適切な直交分解(POD)に依存する還元次数モデル(ROM)は、パラメータ依存の流体力学問題に対する高速な近似を提供する。
しかし、パラメータ化された非線形項を扱うための高価なハイパーリダクション戦略が必要であり、混合速度-圧力定式化が考慮された場合、リッチ化された縮小空間(あるいはペトロフ-ガレルキン射影)は、リアルタイムに信頼できる解の評価を妨げる可能性がある。
流体-構造相互作用の処理は、さらに高い困難を伴う。
提案したディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
そのためには、PODを通じて旧次元の縮小を実行し、トレーニング時間を実質的に向上させた後、ディープニューラルネットワークに依存する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周りの流れ、固定された剛性ブロックに取り付けられた弾性ビームとラミナ非圧縮性フローの間の流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果を提供する。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - 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) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳（メタデータ） (2023-06-19T06:02:53Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - 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) - Learning to Accelerate Partial Differential Equations via Latent Global
Evolution [64.72624347511498]
The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。
我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。
更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
論文 参考訳（メタデータ） (2022-06-15T17:31:24Z) - 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 Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳（メタデータ） (2021-04-30T02:14:00Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳（メタデータ） (2020-06-15T20:59:28Z) - Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。
本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。
結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
論文 参考訳（メタデータ） (2020-06-08T16:37:48Z)
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。