論文の概要: Numerical Approximation in CFD Problems Using Physics Informed Machine Learning

• arxiv url: http://arxiv.org/abs/2111.02987v1
• Date: Mon, 1 Nov 2021 22:54:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-06 05:12:28.089105
• Title: Numerical Approximation in CFD Problems Using Physics Informed Machine Learning
• Title（参考訳）: 物理インフォームド機械学習を用いたcfd問題の数値近似
• Authors: Siddharth Rout, Vikas Dwivedi, Balaji Srinivasan
• Abstract要約: この論文は、幅広いCFD問題に普遍的に使用できる代替近似法を見つけるための様々な手法に焦点を当てている。 その焦点は、微分方程式を計算データによるトレーニングなしで解くことができるような、物理情報に基づく機械学習技術に留まっている。 極端な学習機械(ELM)は、チューナブルパラメーターを犠牲にして非常に高速なニューラルネットワークアルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The thesis focuses on various techniques to find an alternate approximation method that could be universally used for a wide range of CFD problems but with low computational cost and low runtime. Various techniques have been explored within the field of machine learning to gauge the utility in fulfilling the core ambition. Steady advection diffusion problem has been used as the test case to understand the level of complexity up to which a method can provide solution. Ultimately, the focus stays over physics informed machine learning techniques where solving differential equations is possible without any training with computed data. The prevalent methods by I.E. Lagaris et.al. and M. Raissi et.al are explored thoroughly. The prevalent methods cannot solve advection dominant problems. A physics informed method, called as Distributed Physics Informed Neural Network (DPINN), is proposed to solve advection dominant problems. It increases the lexibility and capability of older methods by splitting the domain and introducing other physics-based constraints as mean squared loss terms. Various experiments are done to explore the end to end possibilities with the method. Parametric study is also done to understand the behavior of the method to different tunable parameters. The method is tested over steady advection-diffusion problems and unsteady square pulse problems. Very accurate results are recorded. Extreme learning machine (ELM) is a very fast neural network algorithm at the cost of tunable parameters. The ELM based variant of the proposed model is tested over the advection-diffusion problem. ELM makes the complex optimization simpler and Since the method is non-iterative, the solution is recorded in a single shot. The ELM based variant seems to work better than the simple DPINN method. Simultaneously scope for various development in future are hinted throughout the thesis.
• Abstract（参考訳）: この論文は、計算コストが低くランタイムの低い幅広いCFD問題に普遍的に使用できる代替近似法を見つけるための様々な手法に焦点を当てている。 機械学習の分野では、コアの野望を満たすために様々な技術が研究されている。 定常移流拡散問題(stable advection diffusion problem)は、ある方法が解を提供するまでの複雑さのレベルを理解するためのテストケースとして用いられてきた。 最終的に、計算データを使ったトレーニングなしに微分方程式を解くことが可能な、物理学的なインフォームド機械学習技術に焦点が当てられる。 I.E. Lagarisらによる一般的な方法。 M. Raissiらは徹底的に調査されている。 一般的な方法は対流支配的な問題を解決することはできない。 分散物理情報ニューラルネットワーク (DPINN) と呼ばれる物理情報化手法を提案し, 対流支配問題の解法を提案する。 ドメインを分割し、他の物理ベースの制約を平均二乗損失項として導入することで、古いメソッドのレキシビリティと能力を高める。 様々な実験を行い、この手法で終わりから終わりまでの可能性を探る。 パラメトリックな研究は、異なる可変パラメータに対するメソッドの振る舞いを理解するためにも行われる。 この方法は、定常な対流拡散問題と不安定な正方形パルス問題に対して試験される。 正確な結果が記録されている。 Extreme Learning Machine (ELM) は、チューナブルパラメーターを犠牲にして、非常に高速なニューラルネットワークアルゴリズムである。 提案モデルのEMMに基づく変種は, 対流拡散問題に対して検証される。 ELMは複雑な最適化を単純化し、メソッドは非定型であるため、ソリューションは単一ショットで記録される。 ELMベースの変種は単純なDPINN法よりもうまく機能しているようだ。 将来の様々な発展のスコープは、論文全体を通して示唆される。

関連論文リスト

• Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
  本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。 目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。 圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
  論文  参考訳（メタデータ） (2024-09-11T10:38:30Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Learning the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
  パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。 物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
  論文  参考訳（メタデータ） (2023-08-04T05:09:06Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Neural Operator: Is data all you need to model the world? An insight into the impact of Physics Informed Machine Learning [13.050410285352605]
  我々は、データ駆動アプローチが、工学や物理学の問題を解決する従来の手法を補完する方法についての洞察を提供する。 我々は,PDE演算子学習の解演算子を学習するための,新しい,高速な機械学習に基づくアプローチを強調した。
  論文  参考訳（メタデータ） (2023-01-30T23:29:33Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Physical Gradients for Deep Learning [101.36788327318669]
  最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。 本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-30T12:14:31Z)
• Mean Field Approximation for solving QUBO problems [0.0]
  平均場焼鈍における統計物理学的アプローチと量子力学的アプローチが同じ結果をもたらすことを示す。 提案手法は連続変数を持つ単純な勾配に基づく最小化からなるため,シミュレーションが容易である。
  論文  参考訳（メタデータ） (2021-06-06T20:35:28Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• A Combined Data-driven and Physics-driven Method for Steady Heat Conduction Prediction using Deep Convolutional Neural Networks [39.46616349629182]
  本稿では,加速学習とより正確な解法を併用して提案する。 データ駆動型手法では、物理方程式の導入は収束を高速化するだけでなく、物理的に一貫した解を生成することができる。 物理駆動法では, 結合法は, あまり制約のない粗い基準を用いることで, 収束を49.0%まで高速化できることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T22:29:37Z)
• Enhancement of shock-capturing methods via machine learning [0.0]
  我々は不連続解を用いてPDEをシミュレートするための改良された有限体積法を開発した。 5階WENO法の結果を改善するためにニューラルネットワークを訓練する。 数値解が過度に拡散するシミュレーションにおいて,本手法はWENOよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-06T21:51:39Z)

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。