論文の概要: Hybrid neural network reduced order modelling for turbulent flows with
geometric parameters
- arxiv url: http://arxiv.org/abs/2107.09591v1
- Date: Tue, 20 Jul 2021 16:06:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 17:09:32.393427
- Title: Hybrid neural network reduced order modelling for turbulent flows with
geometric parameters
- Title（参考訳）: 幾何パラメータを持つ乱流のハイブリッドニューラルネットワークによる減次モデリング
- Authors: Matteo Zancanaro, Markus Mrosek, Giovanni Stabile, Carsten Othmer,
Gianluigi Rozza
- Abstract要約: 本稿では,幾何的パラメータ化不可能な乱流Navier-Stokes問題の解法として,古典的ガレルキン射影法とデータ駆動法を併用して,多目的かつ高精度なアルゴリズムを提案する。
本手法の有効性は,古典学のバックステップ問題と形状変形Ahmed体応用の2つの異なるケースで実証された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometrically parametrized Partial Differential Equations are nowadays widely
used in many different fields as, for example, shape optimization processes or
patient specific surgery studies. The focus of this work is on some advances
for this topic, capable of increasing the accuracy with respect to previous
approaches while relying on a high cost-benefit ratio performance. The main
scope of this paper is the introduction of a new technique mixing up a
classical Galerkin-projection approach together with a data-driven method to
obtain a versatile and accurate algorithm for the resolution of geometrically
parametrized incompressible turbulent Navier-Stokes problems. The effectiveness
of this procedure is demonstrated on two different test cases: a classical
academic back step problem and a shape deformation Ahmed body application. The
results show into details the properties of the architecture we developed while
exposing possible future perspectives for this work.
- Abstract（参考訳）: 幾何学的にパラメータ化された部分微分方程式は、例えば、形状最適化プロセスや患者固有の手術研究など、多くの異なる分野で広く使われている。
この研究の焦点は、このトピックのいくつかの進歩であり、高いコスト対効果比のパフォーマンスに依存しながら、以前のアプローチに対する精度を高めることができる。
本稿では,従来のガレルキン射影法とデータ駆動法を融合して,幾何学的にパラメトリ化された非圧縮性乱流ストークス問題の解法について,汎用的かつ高精度なアルゴリズムを提案する。
本手法の有効性は,古典的学術的バックステップ問題と形状変形ahmed本体応用という2つの異なるテストケースで実証された。
結果は、この作業の今後の展望を明らかにしながら、私たちが開発したアーキテクチャの特性を詳細に示しています。
関連論文リスト
- A hybrid numerical methodology coupling Reduced Order Modeling and Graph Neural Networks for non-parametric geometries: applications to structural dynamics problems [0.0]
本研究は、複雑な物理系を管理する時間領域偏微分方程式(PDE)の数値解析を高速化するための新しいアプローチを導入する。
この手法は、古典的低次モデリング(ROM)フレームワークと最近のパラメトリックグラフニューラルネットワーク(GNN)の組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-06-03T08:51:25Z) - A singular Riemannian Geometry Approach to Deep Neural Networks III. Piecewise Differentiable Layers and Random Walks on $n$-dimensional Classes [49.32130498861987]
本稿ではReLUのような非微分可能活性化関数の事例について検討する。
最近の2つの研究は、ニューラルネットワークを研究するための幾何学的枠組みを導入した。
本稿では,画像の分類と熱力学問題に関する数値実験を行った。
論文 参考訳（メタデータ） (2024-04-09T08:11:46Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Learning the solution operator of two-dimensional incompressible
Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。
物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文 参考訳（メタデータ） (2023-08-04T05:09:06Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - A Survey of Geometric Optimization for Deep Learning: From Euclidean
Space to Riemannian Manifold [7.737713458418288]
ディープラーニング(DL)は複雑な人工知能(AI)タスクで成功したが、様々な悪名高い問題に悩まされている。
本稿では、DLにおける幾何最適化の適用に関する総合的な調査について述べる。
畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスファー学習、最適輸送など、さまざまなAIタスクにおける異なるDLネットワークにおける幾何学的最適化の適用について検討する。
論文 参考訳（メタデータ） (2023-02-16T10:50:15Z) - Accelerating numerical methods by gradient-based meta-solving [15.90188271828615]
科学と工学の応用においては、しばしば同様の計算問題を何度も解くことが要求される。
我々はそれらを統一的に解くための勾配に基づくアルゴリズムを提案する。
理論的解析と数値実験により,本手法の性能と汎用性を実証する。
論文 参考訳（メタデータ） (2022-06-17T07:31:18Z) - Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。
本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文 参考訳（メタデータ） (2020-01-14T19:01:50Z)
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。