論文の概要: Towards extraction of orthogonal and parsimonious non-linear modes from
turbulent flows
- arxiv url: http://arxiv.org/abs/2109.01514v1
- Date: Fri, 3 Sep 2021 13:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-06 13:47:00.674791
- Title: Towards extraction of orthogonal and parsimonious non-linear modes from
turbulent flows
- Title(参考訳): 乱流からの直交・同相非線形モードの抽出に向けて
- Authors: Hamidreza Eivazi, Soledad Le Clainche, Sergio Hoyas, Ricardo Vinuesa
- Abstract要約: 本稿では,非線形モードの最小およびほぼ直交の集合を学習するための深い確率-神経-ネットワークアーキテクチャを提案する。
我々のアプローチは、$beta$-variational autoencoders($beta$-VAEs)と畳み込みニューラルネットワーク(CNNs)に基づいている。
- 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: We propose a deep probabilistic-neural-network architecture for learning a
minimal and near-orthogonal set of non-linear modes from high-fidelity
turbulent-flow-field data useful for flow analysis, reduced-order modeling, and
flow control. Our approach is based on $\beta$-variational autoencoders
($\beta$-VAEs) and convolutional neural networks (CNNs), which allow us to
extract non-linear modes from multi-scale turbulent flows while encouraging the
learning of independent latent variables and penalizing the size of the latent
vector. Moreover, we introduce an algorithm for ordering VAE-based modes with
respect to their contribution to the reconstruction. We apply this method for
non-linear mode decomposition of the turbulent flow through a simplified urban
environment, where the flow-field data is obtained based on well-resolved
large-eddy simulations (LESs). We demonstrate that by constraining the shape of
the latent space, it is possible to motivate the orthogonality and extract a
set of parsimonious modes sufficient for high-quality reconstruction. Our
results show the excellent performance of the method in the reconstruction
against linear-theory-based decompositions. Moreover, we compare our method
with available AE-based models. We show the ability of our approach in the
extraction of near-orthogonal modes that may lead to interpretability.
- Abstract(参考訳): 本研究では, 流れ解析, 低次モデリング, フロー制御に有用な乱流-流れ場データから, 非線形モードの最小およびほぼ直交の集合を学習するための深い確率論的ニューラルネットワークアーキテクチャを提案する。
我々のアプローチは、$\beta$-variational autoencoders(\beta$-VAEs)と畳み込みニューラルネットワーク(CNNs)に基づいており、独立潜伏変数の学習を奨励し、潜伏ベクトルのサイズをペナルティ化しながら、マルチスケールの乱流から非線形モードを抽出することができる。
さらに,vaeモードの再構成への貢献に関して,vaeモードの順序付けアルゴリズムを提案する。
本手法は, 簡易都市環境における乱流の非線形モード分解に応用し, その流れ場データをLES(Louble-resolved Large-eddy Simulation)に基づいて求める。
潜在空間の形状を制約することにより, 直交性にモチベーションを与え, 高品質な再構築に十分な調律的モードを抽出できることを実証する。
本手法は線形理論に基づく分解に対する再構成において優れた性能を示す。
さらに,本手法を利用可能なAEモデルと比較した。
我々は, ほぼ直交モードの抽出において, 解釈可能性に繋がるアプローチの可能性を示す。
関連論文リスト
- 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) - Koopman-Based Surrogate Modelling of Turbulent Rayleigh-Bénard Convection [4.248022697109535]
我々は,LRAN(Linear Recurrent Autoencoder Network)と呼ばれるクープマンにインスパイアされたアーキテクチャを用いて,対流中の低次ダイナミクスを学習する。
従来の流体力学法であるKernel Dynamic Mode Decomposition (KDMD)を用いてLRANを比較する。
我々は,最も乱流条件下では,KDMDよりもLRANの方が正確な予測値を得た。
論文 参考訳(メタデータ) (2024-05-10T12:15:02Z) - The Convex Landscape of Neural Networks: Characterizing Global Optima
and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。
本稿では,凸型神経回復モデルについて検討する。
定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文 参考訳(メタデータ) (2023-12-19T23:04:56Z) - Low-rank extended Kalman filtering for online learning of neural
networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。
この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。
変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文 参考訳(メタデータ) (2023-05-31T03:48:49Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳(メタデータ) (2022-03-08T08:57:43Z) - On the application of generative adversarial networks for nonlinear
modal analysis [0.0]
非線形モーダル解析を行うための機械学習手法を提案する。
このスキームは、潜在モーダル空間から自然な座標空間への1対1の写像を定義することに重点を置いている。
このマッピングは、最近開発されたサイクル一貫性のある生成的敵ネットワーク(cycle-GAN)とニューラルネットワークのアセンブリを使用して達成される。
論文 参考訳(メタデータ) (2022-03-02T16:46:41Z) - Non-linear manifold ROM with Convolutional Autoencoders and Reduced
Over-Collocation method [0.0]
非アフィンパラメトリックな依存、非線形性、興味のモデルにおける対流支配的な規則は、ゆっくりとしたコルモゴロフ n-幅の崩壊をもたらす。
我々は,Carlbergらによって導入された非線形多様体法を,オーバーコロケーションの削減とデコーダの教師/学生による学習により実現した。
本研究では,2次元非線形保存法と2次元浅水モデルを用いて方法論を検証し,時間とともに動的に進化する純粋データ駆動型手法と長期記憶ネットワークとの比較を行った。
論文 参考訳(メタデータ) (2022-03-01T11:16:50Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z)
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。