論文の概要: A Deep Learning Algorithm for Piecewise Linear Interface Construction (PLIC)

• arxiv url: http://arxiv.org/abs/2107.13067v1
• Date: Tue, 27 Jul 2021 20:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 01:02:23.604362
• Title: A Deep Learning Algorithm for Piecewise Linear Interface Construction (PLIC)
• Title（参考訳）: PLIC(Piecewise Linear Interface Construction)のためのディープラーニングアルゴリズム
• Authors: Mohammadmehdi Ataei, Erfan Pirmorad, Franco Costa, Sejin Han, Chul B Park, Markus Bussmann
• Abstract要約: PLIC(Piecewise Linear Interface Construction)は、計算流体力学における流体界面の幾何的再構成によく用いられる。 本研究では,その逆問題のみを用いて,PLICの前方問題に対する解の深層学習モデルを提案する。 提案手法は従来のスキームよりも数桁高速で,CFDシミュレーションにおけるPLICの計算ボトルネックを大幅に低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Piecewise Linear Interface Construction (PLIC) is frequently used to geometrically reconstruct fluid interfaces in Computational Fluid Dynamics (CFD) modeling of two-phase flows. PLIC reconstructs interfaces from a scalar field that represents the volume fraction of each phase in each computational cell. Given the volume fraction and interface normal, the location of a linear interface is uniquely defined. For a cubic computational cell (3D), the position of the planar interface is determined by intersecting the cube with a plane, such that the volume of the resulting truncated polyhedron cell is equal to the volume fraction. Yet it is geometrically complex to find the exact position of the plane, and it involves calculations that can be a computational bottleneck of many CFD models. However, while the forward problem of 3D PLIC is challenging, the inverse problem, of finding the volume of the truncated polyhedron cell given a defined plane, is simple. In this work, we propose a deep learning model for the solution to the forward problem of PLIC by only making use of its inverse problem. The proposed model is up to several orders of magnitude faster than traditional schemes, which significantly reduces the computational bottleneck of PLIC in CFD simulations.
• Abstract（参考訳）: 2相流の計算流体力学(CFD)モデルにおける流体界面の幾何再構成にPLIC(Piecewise Linear Interface Construction)がよく用いられる。 PLICは、各計算セルの各位相の体積分数を表すスカラーフィールドからインタフェースを再構成する。 体積分数とインタフェースが正規であることを考えると、線形インターフェイスの位置は一意に定義される。 立方体計算セル(3d)において、立方体と平面とを交差させることにより平面界面の位置が決定され、結果として生じる切断された多面体セルの体積は体積率に等しい。 しかし、平面の正確な位置を見つけることは幾何学的に複雑であり、多くのcfdモデルの計算ボトルネックとなる計算を含む。 しかし、3D PLICの前方問題は難しいが、定義された平面を与えられた切り離したポリヘドロンセルの体積を求める逆問題は非常に単純である。 本研究では,その逆問題のみを用いて,PLICの前方問題に対する解の深層学習モデルを提案する。 提案モデルは従来のスキームよりも数桁高速であり,CFDシミュレーションにおけるPLICの計算ボトルネックを大幅に低減する。

関連論文リスト

• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Data-efficient learning for 3D mirror symmetry detection [9.904746542801838]
  単視点画像から3次元ミラー面を検出するための幾何学的な深層学習手法を提案する。 我々は、意味的特徴を抽出し、画素内相関を計算し、各平面に対して3次元相関ボリュームを構築する。 合成データセットと実世界のデータセットの両方の実験は、データ効率と推論速度を改善するために3Dミラー幾何の利点を示している。
  論文  参考訳（メタデータ） (2021-12-23T14:37:52Z)
• Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
  我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。 対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
  論文  参考訳（メタデータ） (2021-10-24T08:57:46Z)
• Consistent and symmetry preserving data-driven interface reconstruction for the level-set method [0.0]
  我々は、レベルセット法、すなわち、インターフェース再構成(IR)に焦点を当てる。 体積率と開口率の計算。 提案手法は, 粗解決インターフェースの精度を向上し, 従来のIRを高分解能で復元する。 浮動小数点対称実装と計算効率の詳細を提供する。
  論文  参考訳（メタデータ） (2021-04-23T13:21:10Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• Depth Completion using Piecewise Planar Model [94.0808155168311]
  深度マップは一連の学習された基底で表現することができ、閉じた解法で効率的に解ける。 しかし、この方法の1つの問題は、色境界が深さ境界と矛盾する場合にアーチファクトを生成することである。 私たちは、より厳密な深度回復モデルを実行します。
  論文  参考訳（メタデータ） (2020-12-06T07:11:46Z)
• NPLIC: A Machine Learning Approach to Piecewise Linear Interface Construction [0.0]
  PLIC計算を行うために、NPLICと呼ばれる別のニューラルネットワークベースの手法を提案する。 このデータ駆動型アプローチは,通常の計算コストのごく一部で正確な計算結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-26T16:48:53Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。