論文の概要: Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models
- arxiv url: http://arxiv.org/abs/2112.03469v1
- Date: Tue, 7 Dec 2021 03:33:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 16:03:53.625776
- Title: Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models
- Title(参考訳): 深列学習モデルによる3次元等方性乱流の時空間的実現
- Authors: Mohammadreza Momenifar, Enmao Diao, Vahid Tarokh, Andrew D. Bragg
- Abstract要約: 最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
- 参考スコア(独自算出の注目度): 24.025975236316842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We use a data-driven approach to model a three-dimensional turbulent flow
using cutting-edge Deep Learning techniques. The deep learning framework
incorporates physical constraints on the flow, such as preserving
incompressibility and global statistical invariants of velocity gradient
tensor. The accuracy of the model is assessed using statistical and
physics-based metrics. The data set comes from Direct Numerical Simulation of
an incompressible, statistically stationary, isotropic turbulent flow in a
cubic box. Since the size of the dataset is memory intensive, we first generate
a low-dimensional representation of the velocity data, and then pass it to a
sequence prediction network that learns the spatial and temporal correlations
of the underlying data. The dimensionality reduction is performed via
extraction using Vector-Quantized Autoencoder (VQ-AE), which learns the
discrete latent variables. For the sequence forecasting, the idea of
Transformer architecture from natural language processing is used, and its
performance compared against more standard Recurrent Networks (such as
Convolutional LSTM). These architectures are designed and trained to perform a
sequence to sequence multi-class classification task in which they take an
input sequence with a fixed length (k) and predict a sequence with a fixed
length (p), representing the future time instants of the flow. Our results for
the short-term predictions show that the accuracy of results for both models
deteriorates across predicted snapshots due to autoregressive nature of the
predictions. Based on our diagnostics tests, the trained Conv-Transformer model
outperforms the Conv-LSTM one and can accurately, both quantitatively and
qualitatively, retain the large scales and capture well the inertial scales of
flow but fails at recovering the small and intermittent fluid motions.
- Abstract(参考訳): 最先端のディープラーニング手法を用いて, 3次元乱流のモデル化にデータ駆動手法を用いる。
ディープラーニングフレームワークは、速度勾配テンソルの非圧縮性や大域統計不変量を保存するなど、流れの物理的制約を取り入れている。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
データセットは、立方体箱内の非圧縮性、統計的に定常な等方性乱流の直接数値シミュレーションから得られる。
データセットのサイズはメモリ集約型であるため、まず速度データの低次元表現を生成し、次に、基礎となるデータの空間的および時間的相関を学習するシーケンス予測ネットワークに渡す。
VQ-AE(Vector-Quantized Autoencoder)を用いて,離散潜在変数を学習し,次元削減を行う。
シーケンス予測では、自然言語処理からのトランスフォーマーアーキテクチャの考え方が使われ、その性能はより標準的なリカレントネットワーク(畳み込みLSTMなど)と比較される。
これらのアーキテクチャは、一定の長さ (k) の入力シーケンスを受信し、一定の長さ (p) のシーケンスを予測し、フローの将来の時刻を表すような、シーケンス・マルチクラス分類タスクを実行するように設計および訓練されている。
短期予測の結果,両モデルの精度は,予測の自己回帰的性質により,予測スナップショット間で低下することが示された。
診断試験に基づいて,訓練したConv-Transformerモデルは,Conv-LSTMモデルよりも優れており,定量的かつ定性的に,大規模に保持し,慣性流速を良好に捕捉するが,小さく断続的な流体運動の回復には失敗する。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳(メタデータ) (2023-04-28T21:34:53Z) - 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) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - 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) - A Physics-Informed Vector Quantized Autoencoder for Data Compression of
Turbulent Flow [28.992515947961593]
本研究では,ベクトル量子化に基づく物理インフォームドディープラーニング手法を適用し,乱流から低次元のデータ表現を生成する。
モデルの精度は、統計的・比較的類似度と物理的類似度を用いて評価される。
我々のモデルは、平均二乗誤差(MSE)が$O(10-3)$のCR$=85$と、非常に小さなスケールを除いて流れの統計を忠実に再現する予測を提供する。
論文 参考訳(メタデータ) (2022-01-10T19:55:50Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳(メタデータ) (2021-05-21T00:08:06Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳(メタデータ) (2021-04-30T02:15:01Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳(メタデータ) (2021-01-27T11:27:16Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z)
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。