論文の概要: Learning the structure of wind: A data-driven nonlocal turbulence model
for the atmospheric boundary layer
- arxiv url: http://arxiv.org/abs/2107.11046v1
- Date: Fri, 23 Jul 2021 06:41:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 20:45:19.759836
- Title: Learning the structure of wind: A data-driven nonlocal turbulence model
for the atmospheric boundary layer
- Title（参考訳）: 風の構造を学習する:大気境界層に対するデータ駆動非局所乱流モデル
- Authors: Brendan Keith, Ustim Khristenko, Barbara Wohlmuth
- Abstract要約: 我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。
このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a novel data-driven approach to modeling the atmospheric boundary
layer. This approach leads to a nonlocal, anisotropic synthetic turbulence
model which we refer to as the deep rapid distortion (DRD) model. Our approach
relies on an operator regression problem which characterizes the best fitting
candidate in a general family of nonlocal covariance kernels parameterized in
part by a neural network. This family of covariance kernels is expressed in
Fourier space and is obtained from approximate solutions to the Navier--Stokes
equations at very high Reynolds numbers. Each member of the family incorporates
important physical properties such as mass conservation and a realistic energy
cascade. The DRD model can be calibrated with noisy data from field
experiments. After calibration, the model can be used to generate synthetic
turbulent velocity fields. To this end, we provide a new numerical method based
on domain decomposition which delivers scalable, memory-efficient turbulence
generation with the DRD model as well as others. We demonstrate the robustness
of our approach with both filtered and noisy data coming from the 1968 Air
Force Cambridge Research Laboratory Kansas experiments. Using this data, we
witness exceptional accuracy with the DRD model, especially when compared to
the International Electrotechnical Commission standard.
- Abstract（参考訳）: 大気境界層をモデル化する新しいデータ駆動手法を開発した。
このアプローチは、我々がディープ・ラピッド・歪(drd)モデルと呼ぶ非局所的異方性合成乱流モデルに繋がる。
提案手法は,ニューラルネットワークによってパラメータ化された非局所共分散カーネルの一般族における最適適合候補を特徴付ける演算子回帰問題に依存する。
この共分散核の族はフーリエ空間で表現され、非常に高いレイノルズ数でのナビエ-ストークス方程式の近似解から得られる。
ファミリーの各メンバーは、質量保存や現実的なエネルギーカスケードといった重要な物理的性質を取り入れている。
DRDモデルは、フィールド実験からノイズの多いデータで校正することができる。
キャリブレーション後、モデルは合成乱流速度場を生成するために使用できる。
そこで本研究では,DRDモデルだけでなく,スケーラブルでメモリ効率のよい乱流生成を実現する,ドメイン分解に基づく新しい数値手法を提案する。
1968年のカンザス州空軍ケンブリッジ研究所の実験から得られたフィルタデータとノイズデータの両方を用いて,我々のアプローチの堅牢性を実証した。
このデータを用いて、特に国際電気技術委員会標準と比較した場合、ddrモデルにおいて異常な精度を示す。
関連論文リスト
- Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。
近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文 参考訳（メタデータ） (2024-10-31T14:26:10Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - 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) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - A unified method of data assimilation and turbulence modeling for
separated flows at high Reynolds numbers [0.0]
本稿では,データ同化と乱流モデリングの統一的アプローチとして,改良されたアンサンブルカルマン逆変換法を提案する。
DNNのトレーニング可能なパラメータは、与えられた実験的表面圧力係数に応じて最適化される。
その結果, 各種実験状態の連成同化により, 付着流と分離流の双方によく適応する乱流モデルが得られることがわかった。
論文 参考訳（メタデータ） (2022-11-01T17:17:53Z) - 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) - Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model
Inversion [14.097477944789484]
本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。
浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
論文 参考訳（メタデータ） (2021-04-16T10:42:01Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Data Assimilation in the Latent Space of a Neural Network [7.555120710924906]
縮小次数モデリング技術は問題の次元性を低減するために用いられる。
我々は、データ同化と機械学習を組み合わせた潜在同化と呼ばれる新しい手法を定式化する。
この手法は、例えば、空気中のSARS-COV-2のようなウイルスの負荷をリアルタイムで予測するために、CO2濃度にリンクすることで使用できる。
論文 参考訳（メタデータ） (2020-12-22T14:43:50Z)
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。