論文の概要: Reconstructing High-resolution Turbulent Flows Using Physics-Guided Neural Networks

• arxiv url: http://arxiv.org/abs/2109.03327v1
• Date: Mon, 6 Sep 2021 03:01:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 13:54:45.357801
• Title: Reconstructing High-resolution Turbulent Flows Using Physics-Guided Neural Networks
• Title（参考訳）: 物理誘導ニューラルネットワークを用いた高分解能乱流の再構成
• Authors: Shengyu Chen, Shervin Sammak, Peyman Givi, Joseph P.Yurko1, Xiaowei Jia
• Abstract要約: 乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。 大規模渦シミュレーション(LES)は計算量が少ないが、乱流輸送の全てのスケールを正確に捉えることはできない。 LES予測からDNSデータを再構築するための超解像技術に基づく新しいデータ駆動手法を構築した。
• 参考スコア（独自算出の注目度）: 3.9548535445908928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Direct numerical simulation (DNS) of turbulent flows is computationally expensive and cannot be applied to flows with large Reynolds numbers. Large eddy simulation (LES) is an alternative that is computationally less demanding, but is unable to capture all of the scales of turbulent transport accurately. Our goal in this work is to build a new data-driven methodology based on super-resolution techniques to reconstruct DNS data from LES predictions. We leverage the underlying physical relationships to regularize the relationships amongst different physical variables. We also introduce a hierarchical generative process and a reverse degradation process to fully explore the correspondence between DNS and LES data. We demonstrate the effectiveness of our method through a single-snapshot experiment and a cross-time experiment. The results confirm that our method can better reconstruct high-resolution DNS data over space and over time in terms of pixel-wise reconstruction error and structural similarity. Visual comparisons show that our method performs much better in capturing fine-level flow dynamics.
• Abstract（参考訳）: 乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。 大規模渦シミュレーション(英語版)(les)は、計算上より要求の少ない代替手段であるが、乱流輸送の全てのスケールを正確に捉えることができない。 本研究の目的は,LES予測からDNSデータを再構成する超解像技術に基づく新しいデータ駆動手法を構築することである。 基礎となる物理的関係を利用して、異なる物理変数間の関係を規則化する。 また,DNSデータとLESデータの対応性について検討するために,階層的生成プロセスと逆分解プロセスを導入する。 単発実験とクロスタイム実験により,本手法の有効性を実証した。 その結果,高分解能DNSデータの空間的・時間的再構成は,画素単位の再構成誤差や構造的類似性から行うことができることを確認した。 視覚的比較により,本手法はより微細な流れのダイナミックスを捉えるのに優れていることが示された。

関連論文リスト

• Flow reconstruction in time-varying geometries using graph neural networks [1.0485739694839669]
  このモデルは、非常にスパースな入力を処理するための前処理ステップとして、特徴伝搬アルゴリズムを組み込んでいる。 バリデーションマスクとしてバイナリインジケータを導入し、元のデータポイントと伝播データポイントを区別する。 このモデルは、技術的に関係のある運転条件下で、エンジンの直接数値シミュレーション(DNS)のユニークなデータセットに基づいて訓練される。
  論文  参考訳（メタデータ） (2024-11-13T16:49:56Z)
• FFEINR: Flow Feature-Enhanced Implicit Neural Representation for Spatio-temporal Super-Resolution [4.577685231084759]
  本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。 モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。 FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
  論文  参考訳（メタデータ） (2023-08-24T02:28:18Z)
• Reconstructing Turbulent Flows Using Physics-Aware Spatio-Temporal Dynamics and Test-Time Refinement [10.711201734103073]
  低分解能LESデータからシーケンシャルDNSを再構成する物理誘導型ニューラルネットワークを提案する。 また, 物理的制約を強制し, 長期にわたって蓄積した復元誤差を低減するために, Sim ベースの精錬法を開発した。
  論文  参考訳（メタデータ） (2023-04-24T14:33:34Z)
• Dynamic Deep Learning LES Closures: Online Optimization With Embedded DNS [0.0]
  我々は、大規模シミュレーション(LES)におけるディープラーニングクロージャモデルのための新しいオンライントレーニング手法を開発した。 深層学習クロージャモデルは,組込み直接数値シミュレーション(DNS)データを用いてLES計算中に動的に訓練される。 オンライン最適化アルゴリズムは,LES組込みDNS計算における深層学習クロージャモデルを動的に学習するために開発された。
  論文  参考訳（メタデータ） (2023-03-04T06:20:47Z)
• DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations [1.3649494534428745]
  DeepClouds.aiは、上昇するクラウドDNS実験のアウトプットをシミュレートする3D-UNETである。 この枠組みは、大気中の大きな物理的領域をシミュレーションすることで、乱流と雲の流れの科学をさらに発展させるのに使うことができる。
  論文  参考訳（メタデータ） (2022-08-18T16:59:27Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体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） (2021-06-15T06:39:13Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。