論文の概要: Parameterization of Forced Isotropic Turbulent Flow using Autoencoders
and Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2107.06264v1
- Date: Thu, 8 Jul 2021 18:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 13:27:56.465605
- Title: Parameterization of Forced Isotropic Turbulent Flow using Autoencoders
and Generative Adversarial Networks
- Title(参考訳): オートエンコーダと生成逆ネットワークを用いた強制等方性乱流のパラメータ化
- Authors: Kanishk, Tanishk Nandal, Prince Tyagi, Raj Kumar Singh
- Abstract要約: 自動エンコーダと生成ニューラルネットワークモデルは流体力学で最近人気を集めている。
本研究では, 基本的な統計特性をパラメータ化することにより, 強制等方性乱流を生成する。
ニューラルネットワークベースのアーキテクチャを使用することで、古典的なメッシュベースのNavier-Stoke方程式推定に依存する必要がなくなる。
- 参考スコア(独自算出の注目度): 0.45935798913942893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autoencoders and generative neural network models have recently gained
popularity in fluid mechanics due to their spontaneity and low processing time
instead of high fidelity CFD simulations. Auto encoders are used as model order
reduction tools in applications of fluid mechanics by compressing input
high-dimensional data using an encoder to map the input space into a
lower-dimensional latent space. Whereas, generative models such as Variational
Auto-encoders (VAEs) and Generative Adversarial Networks (GANs) are proving to
be effective in generating solutions to chaotic models with high 'randomness'
such as turbulent flows. In this study, forced isotropic turbulence flow is
generated by parameterizing into some basic statistical characteristics. The
models trained on pre-simulated data from dependencies on these characteristics
and the flow generation is then affected by varying these parameters. The
latent vectors pushed along the generator models like the decoders and
generators contain independent entries which can be used to create different
outputs with similar properties. The use of neural network-based architecture
removes the need for dependency on the classical mesh-based Navier-Stoke
equation estimation which is prominent in many CFD softwares.
- Abstract(参考訳): 自動エンコーダと生成ニューラルネットワークモデルは最近、高忠実度cfdシミュレーションではなく、自発性と低処理時間のために流体力学で人気を集めている。
オートエンコーダは、入力空間を低次元潜在空間にマッピングするためにエンコーダを用いて入力高次元データを圧縮することにより、流体力学の応用におけるモデルオーダー削減ツールとして使用される。
一方, 変動自己エンコーダ (VAE) やGAN (Generative Adversarial Networks) のような生成モデルは, 乱流のような「ランダム性」の高いカオスモデルに対する解を生成するのに有効であることが証明されている。
本研究では, 基本的な統計特性をパラメータ化することにより, 強制等方性乱流を生成する。
これらの特性に依存した事前シミュレーションデータに基づいてトレーニングされたモデルと、フロー生成は、これらのパラメータによって影響を受ける。
デコーダやジェネレータなどのジェネレータモデルに沿ってプッシュされる潜在ベクトルには、同様の特性を持つ異なる出力を生成するために使用できる独立したエントリが含まれている。
ニューラルネットワークベースのアーキテクチャを使用すると、多くのCFDソフトウェアで顕著な古典的なメッシュベースのNavier-Stoke方程式推定への依存が不要になる。
関連論文リスト
- Designing DNNs for a trade-off between robustness and processing performance in embedded devices [1.474723404975345]
機械学習ベースの組み込みシステムは、ソフトエラーに対して堅牢である必要がある。
本稿では,摂動に対するモデルロバスト性を改善するために有界AFを用いた場合の適合性について検討する。
自律運転におけるシーン理解のためのハイパースペクトル画像のセマンティックセグメンテーションタスクの実行を目的としたエンコーダ・デコーダの完全畳み込みモデルの解析を行う。
論文 参考訳(メタデータ) (2024-12-04T19:34:33Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - 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) - Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。
異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。
深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
論文 参考訳(メタデータ) (2021-06-24T12:23:05Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Self-awareness in intelligent vehicles: Feature based dynamic Bayesian
models for abnormality detection [4.251384905163326]
本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。
車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。
協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
論文 参考訳(メタデータ) (2020-10-29T09:29:47Z) - Deep Neural Networks for Nonlinear Model Order Reduction of Unsteady
Flows [1.8065361710947976]
近年, 流体の低次モデリング (ROM) が盛んに研究されている。
本研究では,非定常流体の次数モデリングのためのディープニューラルネットワークのパワーに基づく新しいデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2020-07-02T07:24:03Z) - 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) - Regularized Autoencoders via Relaxed Injective Probability Flow [35.39933775720789]
非可逆フローベース生成モデルは、抽出可能な確率計算と推論を可能にしながら、サンプルを生成するための効果的な方法である。
本稿では, モデル上の単射性要件を回避し, 単射性のみを仮定する確率フローに基づく生成モデルを提案する。
論文 参考訳(メタデータ) (2020-02-20T18:22:46Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳(メタデータ) (2019-10-12T22:07:15Z)
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。