論文の概要: Generative Modeling of Turbulence
- arxiv url: http://arxiv.org/abs/2112.02548v1
- Date: Sun, 5 Dec 2021 11:39:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 18:04:15.745002
- Title: Generative Modeling of Turbulence
- Title(参考訳): 乱流の生成モデル
- Authors: Claudia Drygala, Benjamin Winhart, Francesca di Mare and Hanno
Gottschalk
- Abstract要約: GAN(Generative Adversarial Network)を用いた乱流の合成モデリングのための数学的に確立されたアプローチを提案する。
GANは、適度なトレーニング日量に基づいて、技術的に困難な流れ問題の乱流をシミュレーションするのに効率的である。
- 参考スコア(独自算出の注目度): 0.7646713951724012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a mathematically well founded approach for the synthetic modeling
of turbulent flows using generative adversarial networks (GAN). Based on the
analysis of chaotic, deterministic systems in terms of ergodicity, we outline a
mathematical proof that GAN can actually learn to sample state snapshots form
the invariant measure of the chaotic system. Based on this analysis, we study a
hierarchy of chaotic systems starting with the Lorenz attractor and then carry
on to the modeling of turbulent flows with GAN. As training data, we use fields
of velocity fluctuations obtained from large eddy simulations (LES). Two
architectures are investigated in detail: we use a deep, convolutional GAN
(DCGAN) to synthesise the turbulent flow around a cylinder. We furthermore
simulate the flow around a low pressure turbine stator using the pix2pixHD
architecture for a conditional DCGAN being conditioned on the position of a
rotating wake in front of the stator. The settings of adversarial training and
the effects of using specific GAN architectures are explained. We thereby show
that GAN are efficient in simulating turbulence in technically challenging flow
problems on the basis of a moderate amount of training date. GAN training and
inference times significantly fall short when compared with classical numerical
methods, in particular LES, while still providing turbulent flows in high
resolution.
- Abstract(参考訳): 本稿では,gan(generative adversarial networks)を用いた乱流の合成モデリングを数学的に確立した手法を提案する。
エルゴディディティの観点からのカオス的決定論的システムの解析に基づいて、GANが実際にカオスシステムの不変測度を形成する状態スナップショットのサンプリングを学べるという数学的証明を概説する。
この解析に基づいて,lorenzアトラクタから始まり,ganによる乱流のモデル化に続行するカオス系の階層について検討した。
トレーニングデータとして,大渦シミュレーション(LES)から得られる速度変動の場を用いる。
2つの構造を詳細に検討し, 深部・畳み込み型GAN (DCGAN) を用いてシリンダーまわりの乱流を合成する。
さらに, ステータ前方の回転ウェイク位置を条件付きDCGANに対して, pix2pixHDアーキテクチャを用いて低圧タービンステータまわりの流れをシミュレートする。
敵対的トレーニングの設定と特定のganアーキテクチャの使用の効果について説明する。
その結果,GANは適度なトレーニング日数に基づいて,技術的に困難な流れ問題における乱流のシミュレーションに有効であることを示す。
古典的数値法, 特にLESと比較して, GANトレーニングと推定時間は著しく低下するが, 高分解能の乱流は継続する。
関連論文リスト
- KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳(メタデータ) (2024-07-18T05:48:24Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳(メタデータ) (2024-06-17T10:21:01Z) - 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) - Generalization capabilities of conditional GAN for turbulent flow under
changes of geometry [0.6445605125467573]
乱流の合成モデリングのためのGAN(Generative Adversarial Network)は、この問題を克服するための数学的に確立されたアプローチである。
本研究では,GANをベースとした合成乱流発生器の流動形状に幾何的変化が発生した場合の一般化キャパビライトについて検討する。
我々は,抽出したウェイク位置の領域を拡大することにより,条件付きGANの一般化の能力と限界を示す。
論文 参考訳(メタデータ) (2023-02-20T12:21:34Z) - Dynamics of Fourier Modes in Torus Generative Adversarial Networks [0.8189696720657245]
GAN(Generative Adversarial Networks)は、所望の事象の完全な合成サンプルを高解像度で生成できる強力な機械学習モデルである。
彼らの成功にもかかわらず、GANのトレーニングプロセスは非常に不安定であり、典型的には、モデルの許容できる収束に達するために、ネットワークにいくつかのアクセサリー摂動を実装する必要がある。
本稿では,ジェネレーティブ・アドバイサル・ネットワークのトレーニングにおける収束と安定性を解析するための新しい手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T09:03:22Z) - 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) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z) - 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) - Turbulence Enrichment using Physics-informed Generative Adversarial
Networks [0.0]
我々は乱流生成法を開発した。
損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。
物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
論文 参考訳(メタデータ) (2020-03-04T06:14:11Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。