論文の概要: Data-driven reduced order modeling of environmental hydrodynamics using
deep autoencoders and neural ODEs
- arxiv url: http://arxiv.org/abs/2107.02784v1
- Date: Tue, 6 Jul 2021 17:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 15:06:12.493029
- Title: Data-driven reduced order modeling of environmental hydrodynamics using
deep autoencoders and neural ODEs
- Title（参考訳）: ディープオートエンコーダとニューラルODEを用いた環境流体力学のデータ駆動還元秩序モデリング
- Authors: Sourav Dutta, Peter Rivera-Casillas, Orie M. Cecil, Matthew W.
Farthing, Emma Perracchione, Mario Putti
- Abstract要約: 減弱基底表現の発見にディープオートエンコーダを用いた場合について検討する。
テスト問題としては,シリンダーまわりの非圧縮性流れや,河口系における浅水流体力学の現実的応用などが挙げられる。
- 参考スコア（独自算出の注目度）: 3.4527210650730393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model reduction for fluid flow simulation continues to be of great interest
across a number of scientific and engineering fields. In a previous work
[arXiv:2104.13962], we explored the use of Neural Ordinary Differential
Equations (NODE) as a non-intrusive method for propagating the latent-space
dynamics in reduced order models. Here, we investigate employing deep
autoencoders for discovering the reduced basis representation, the dynamics of
which are then approximated by NODE. The ability of deep autoencoders to
represent the latent-space is compared to the traditional proper orthogonal
decomposition (POD) approach, again in conjunction with NODE for capturing the
dynamics. Additionally, we compare their behavior with two classical
non-intrusive methods based on POD and radial basis function interpolation as
well as dynamic mode decomposition. The test problems we consider include
incompressible flow around a cylinder as well as a real-world application of
shallow water hydrodynamics in an estuarine system. Our findings indicate that
deep autoencoders can leverage nonlinear manifold learning to achieve a highly
efficient compression of spatial information and define a latent-space that
appears to be more suitable for capturing the temporal dynamics through the
NODE framework.
- Abstract（参考訳）: 流体シミュレーションのモデル還元は、多くの科学および工学分野において大きな関心を寄せ続けている。
先行研究 [arxiv:2104.13962] では, 減次モデルにおける潜在空間ダイナミクスを伝播する非侵入的手法として, 神経常微分方程式 (node) を用いた。
そこで本研究では, 減弱基底表現の探索にディープオートエンコーダを用い, そのダイナミクスをNODEで近似する。
潜時空間を表現するディープオートエンコーダの能力は、従来の固有直交分解(POD)アプローチと比較される。
さらに,PODと放射基底関数の補間と動的モード分解に基づく2つの古典的非侵入的手法との比較を行った。
実験では,シリンダーまわりの非圧縮性流れと,エチューリンシステムにおける浅層水力力学の実世界の応用について検討した。
この結果から, 深部オートエンコーダは非線形多様体学習を利用して空間情報の高効率な圧縮を実現し, 時間的ダイナミクスをNODEフレームワークで捉えるのに適した潜時空間を定義することができた。
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) - Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。
我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文 参考訳（メタデータ） (2024-06-05T17:59:22Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics
Identification [0.5249805590164902]
物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。
インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。
提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
論文 参考訳（メタデータ） (2022-04-26T00:15:46Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - Learning Low-Dimensional Quadratic-Embeddings of High-Fidelity Nonlinear
Dynamics using Deep Learning [9.36739413306697]
データから動的モデルを学ぶことは、エンジニアリング設計、最適化、予測において重要な役割を果たす。
深層学習を用いて高忠実度力学系に対する低次元埋め込みを同定する。
論文 参考訳（メタデータ） (2021-11-25T10:09:00Z) - Accelerating Neural ODEs Using Model Order Reduction [0.0]
本稿では,ニューラルネットワークの圧縮と高速化に数学的モデルオーダー削減法が利用できることを示す。
我々は,ニューラルネットワークの層として必要な部分空間投影と操作を統合するニューラルODEを開発することで,新しい圧縮手法を実装した。
論文 参考訳（メタデータ） (2021-05-28T19:27:09Z) - 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) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳（メタデータ） (2021-04-22T19:20:47Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。