論文の概要: Predicting the near-wall region of turbulence through convolutional
neural networks
- arxiv url: http://arxiv.org/abs/2107.07340v1
- Date: Thu, 15 Jul 2021 13:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 13:54:08.678294
- Title: Predicting the near-wall region of turbulence through convolutional
neural networks
- Title（参考訳）: 畳み込みニューラルネットワークによる乱流の壁近傍領域の予測
- Authors: A. G. Balasubramanian, L. Guastoni, A. G\"uemes, A. Ianiro, S.
Discetti, P. Schlatter, H. Azizpour, R. Vinuesa
- Abstract要約: 乱流開水路流れにおける近接壁挙動を予測するためのニューラルネットワークに基づく手法について検討した。
完全畳み込みネットワーク(FCN)は,2次元速度変動場を$y+_rmターゲット$で予測するために訓練される。
FCNは流れの対数領域の自己相似性を生かし、速度変動場を$y+ = 50$で予測することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modelling the near-wall region of wall-bounded turbulent flows is a
widespread practice to reduce the computational cost of large-eddy simulations
(LESs) at high Reynolds number. As a first step towards a data-driven
wall-model, a neural-network-based approach to predict the near-wall behaviour
in a turbulent open channel flow is investigated. The fully-convolutional
network (FCN) proposed by Guastoni et al. [preprint, arXiv:2006.12483] is
trained to predict the two-dimensional velocity-fluctuation fields at
$y^{+}_{\rm target}$, using the sampled fluctuations in wall-parallel planes
located farther from the wall, at $y^{+}_{\rm input}$. The data for training
and testing is obtained from a direct numerical simulation (DNS) at friction
Reynolds numbers $Re_{\tau} = 180$ and $550$. The turbulent
velocity-fluctuation fields are sampled at various wall-normal locations, i.e.
$y^{+} = \{15, 30, 50, 80, 100, 120, 150\}$. At $Re_{\tau}=550$, the FCN can
take advantage of the self-similarity in the logarithmic region of the flow and
predict the velocity-fluctuation fields at $y^{+} = 50$ using the
velocity-fluctuation fields at $y^{+} = 100$ as input with less than 20% error
in prediction of streamwise-fluctuations intensity. These results are an
encouraging starting point to develop a neural-network based approach for
modelling turbulence at the wall in numerical simulations.
- Abstract（参考訳）: 壁面境界乱流の近傍領域のモデル化は、高レイノルズ数での大渦シミュレーション(less)の計算コストを削減するために広く行われている。
データ駆動壁モデルへの第一歩として、乱流開水路流れにおける壁近傍挙動を予測するニューラルネットワークに基づくアプローチについて検討する。
グアストンニらによって提案された完全畳み込みネットワーク(FCN)。
[preprint, arXiv:2006.12483] is trained to predict the two-dimensional velocity-fluctuation field at $y^{+}_{\rm target}$, using the sampled fluctuations in wall-parallel planes located from the wall, at $y^{+}_{\rm input}$。
トレーニングとテストのためのデータは、摩擦レイノルズ数$Re_{\tau} = 180$と550$の直接数値シミュレーション(DNS)から得られる。
乱流速度ゆらぎ場は, 様々な壁面に分布する。
$y^{+} = \{15, 30, 50, 80, 100, 120, 150\}$.
re_{\tau}=550$では、fcnは流れの対数領域における自己相似性を利用して、y^{+} = 50$の速度-変動場をy^{+} = 100$の速度-変動場を用いて予測することができる。
これらの結果は, 数値シミュレーションにおいて, 壁面乱流をモデル化するためのニューラルネットワークアプローチを開発するための出発点となる。
関連論文リスト
- Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。
我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
論文 参考訳（メタデータ） (2024-05-26T17:08:04Z) - Normalizing flows as approximations of optimal transport maps via linear-control neural ODEs [49.1574468325115]
ニューマライズフロー」は、深層ニューラルネットワークを用いて確率測度間の可逆輸送マップを構築するタスクに関連している。
我々は、絶対連続測度$mu,nuinmathcalP(mathbbRn)$間の$Wamma$-optimal transport map $T$を線形制御ニューラルネットワークのフローとして回収する問題を考える。
論文 参考訳（メタデータ） (2023-11-02T17:17:03Z) - Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳（メタデータ） (2023-07-07T15:42:35Z) - Wide neural networks: From non-gaussian random fields at initialization
to the NTK geometry of training [0.0]
パラメータが$n=1014$を超える人工ニューラルネットワークの応用の最近の進歩は、そのようなネットワークの大きな$n$の振る舞いを研究することが極めて重要である。
広義のニューラルネットワークを研究するほとんどの研究は、そのようなネットワークの無限幅$nから+infty$制限に焦点を当てている。
この研究では、それらの振る舞いを大まかに研究するが、有限$n$である。
論文 参考訳（メタデータ） (2023-04-06T21:34:13Z) - Predicting the wall-shear stress and wall pressure through convolutional
neural networks [1.95992742032823]
本研究では,畳み込み型ニューラルネットワークが乱流開水路内の壁量を予測する能力を評価することを目的とした。
FCNの予測は、提案したR-Netアーキテクチャの予測と比較される。
R-Netはまた、速度変動場を$y+ = 50$で予測できる。
論文 参考訳（メタデータ） (2023-03-01T18:03:42Z) - 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) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳（メタデータ） (2022-07-04T14:51:59Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Fast, high-fidelity Lyman $\alpha$ forests with convolutional neural
networks [1.0499611180329804]
我々は、Lyman-$alpha$(Ly$alpha$)森林に関連するスケールでバリオン流体力学変数を再構成するために畳み込みニューラルネットワークを訓練する。
提案手法は,これらのフィールドを$sim$20kpcの解像度で迅速に推定することができ,Ly$alpha$ forestの統計を既存の近似よりもはるかに精度良く取得する。
論文 参考訳（メタデータ） (2021-06-23T21:41:47Z) - Convolutional-network models to predict wall-bounded turbulence from
wall quantities [0.0]
乱流開水路流れにおける壁面異常位置の2次元速度変動場を予測するために2つのモデルを訓練した。
最初のモデルは、揺らぎを直接予測する完全畳み込みニューラルネットワーク(FCN)である。
後者は正規直交基底関数の線形結合を用いて流れ場を再構成する。
論文 参考訳（メタデータ） (2020-06-22T17:57:40Z) - Prediction of wall-bounded turbulence from wall quantities using
convolutional neural networks [0.0]
完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。
様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
論文 参考訳（メタデータ） (2019-12-30T15:34:41Z)
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。