論文の概要: Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils

• arxiv url: http://arxiv.org/abs/2109.02183v1
• Date: Sun, 5 Sep 2021 23:23:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 17:27:11.887733
• Title: Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils
• Title（参考訳）: 翼上圧縮性乱流の高精度深層学習推定に向けて
• Authors: Li-Wei Chen and Nils Thuerey
• Abstract要約: 本研究では, 深部ニューラルネットワークを用いた2次元空気翼上における圧縮性流れに対するNavier-Stokes解の正確な推算について検討した。 提案手法は, 形状の異なるグリッドに対して, 高精度な流れ場を生成することを学習するネットワークを生成する。 提案手法は流れ場の予測を著しく高速化し,高速な空力設計を実現することを約束する。
• 参考スコア（独自算出の注目度）: 26.432914066756897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The present study investigates the accurate inference of Reynolds-averaged Navier-Stokes solutions for the compressible flow over aerofoils in two dimensions with a deep neural network. Our approach yields networks that learn to generate precise flow fields for varying body-fitted, structured grids by providing them with an encoding of the corresponding mapping to a canonical space for the solutions. We apply the deep neural network model to a benchmark case of incompressible flow at randomly given angles of attack and Reynolds numbers and achieve an improvement of more than an order of magnitude compared to previous work. Further, for transonic flow cases, the deep neural network model accurately predicts complex flow behaviour at high Reynolds numbers, such as shock wave/boundary layer interaction, and quantitative distributions like pressure coefficient, skin friction coefficient as well as wake total pressure profiles downstream of aerofoils. The proposed deep learning method significantly speeds up the predictions of flow fields and shows promise for enabling fast aerodynamic designs.
• Abstract（参考訳）: 本研究では,Reynolds-averaged Navier-Stokes法を用いて,深層ニューラルネットワークを用いた2次元のエアロフォイル上における圧縮性流れの精度評価を行った。 提案手法は,正準空間への対応するマッピングのエンコードを提供することにより,体に適合した構造化グリッドの正確な流れ場を生成するネットワークを実現する。 ディープニューラルネットワークモデルをランダムに与えられた攻撃角とレイノルズ数での非圧縮性流れのベンチマークケースに適用し、以前の研究と比べて1桁以上の改善を実現した。 さらに, 超超音速流の場合, ディープニューラルネットモデルは, 衝撃波/境界層相互作用などのレイノルズ数の高い複雑な流れ挙動, 圧力係数, 皮膚摩擦係数, およびエアロフォイル下流のウェイクトータル圧力プロファイルなどの定量的分布を正確に予測する。 提案する深層学習法は, 流れ場の予測を著しく高速化し, 高速空力設計の実現を期待できる。

関連論文リスト

• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Fluid Simulation on Neural Flow Maps [23.5602305386658]
  本稿では,フローマップの理論に基づく流体シミュレーションにより,暗黙的ニューラル表現の新たなパラダイムをブリッジする新しいシミュレーション手法であるニューラルフローマップを紹介する。 本研究は, 跳躍渦, 衝突渦, 渦再接続, 移動障害物からの渦発生, 密度差など, 様々な困難なシミュレーションシナリオにおいて, 神経流体シミュレーションの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-22T12:13:19Z)
• A comprehensive study of spike and slab shrinkage priors for structurally sparse Bayesian neural networks [0.16385815610837165]
  スパースディープラーニングは、基礎となるターゲット関数のスパース表現を復元することで、課題に対処する。 構造化された空間によって圧縮されたディープニューラルアーキテクチャは、低レイテンシ推論、データスループットの向上、エネルギー消費の削減を提供する。 本研究では, (i) Spike-and-Slab Group Lasso (SS-GL) と (ii) Spike-and-Slab Group Horseshoe (SS-GHS) を併用した過剰ノードを誘発する構造的疎いベイズニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T17:14:18Z)
• Tensor network reduced order models for wall-bounded flows [0.0]
  縮小順序モデルを開発するために,広く適用可能なテンソルネットワークベースのフレームワークを提案する。 二つの空間次元における非圧縮性ナビエ・ストークス方程式と蓋駆動キャビティを考える。
  論文  参考訳（メタデータ） (2023-03-06T10:33:00Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• A Convergence Theory Towards Practical Over-parameterized Deep Neural Networks [56.084798078072396]
  ネットワーク幅と収束時間の両方で既知の理論境界を大幅に改善することにより、理論と実践のギャップを埋める一歩を踏み出します。 本研究では, サンプルサイズが2次幅で, 両者の時間対数で線形なネットワークに対して, 地球最小値への収束が保証されていることを示す。 私たちの分析と収束境界は、いつでも合理的なサイズの同等のRELUネットワークに変換できる固定アクティベーションパターンを備えたサロゲートネットワークの構築によって導出されます。
  論文  参考訳（メタデータ） (2021-01-12T00:40:45Z)
• Predicting the flow field in a U-bend with deep neural networks [0.0]
  本稿では計算流体力学(CFD)と深部ニューラルネットワークに基づく,異なる歪んだU字管内の流れ場を予測することを目的とした研究について述べる。 この研究の主な動機は、流体力学的船体最適化プロセスにおけるディープラーニングパラダイムの正当化に関する洞察を得ることであった。
  論文  参考訳（メタデータ） (2020-10-01T09:03:02Z)
• 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。