論文の概要: Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas
- arxiv url: http://arxiv.org/abs/2112.08447v1
- Date: Wed, 15 Dec 2021 19:37:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-18 10:28:28.786395
- Title: Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas
- Title（参考訳）: 都市域における歩行者の快適性評価のための位置エンコードGAN
- Authors: Henrik H{\o}iness, Kristoffer Gjerde, Luca Oggiano, Knut Erik Teigen
Giljarhus and Massimiliano Ruocco
- Abstract要約: 本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。
本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
- 参考スコア（独自算出の注目度）: 0.41998444721319217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Approximating wind flows using computational fluid dynamics (CFD) methods can
be time-consuming. Creating a tool for interactively designing prototypes while
observing the wind flow change requires simpler models to simulate faster.
Instead of running numerical approximations resulting in detailed calculations,
data-driven methods in deep learning might be able to give similar results in a
fraction of the time. This work rephrases the problem from computing 3D flow
fields using CFD to a 2D image-to-image translation-based problem on the
building footprints to predict the flow field at pedestrian height level. We
investigate the use of generative adversarial networks (GAN), such as Pix2Pix
[1] and CycleGAN [2] representing state-of-the-art for image-to-image
translation task in various domains as well as U-Net autoencoder [3]. The
models can learn the underlying distribution of a dataset in a data-driven
manner, which we argue can help the model learn the underlying
Reynolds-averaged Navier-Stokes (RANS) equations from CFD. We experiment on
novel simulated datasets on various three-dimensional bluff-shaped buildings
with and without height information. Moreover, we present an extensive
qualitative and quantitative evaluation of the generated images for a selection
of models and compare their performance with the simulations delivered by CFD.
We then show that adding positional data to the input can produce more accurate
results by proposing a general framework for injecting such information on the
different architectures. Furthermore, we show that the models performances
improve by applying attention mechanisms and spectral normalization to
facilitate stable training.
- Abstract（参考訳）: 計算流体力学(CFD)法による風流の近似には時間を要する。
風の流れを観察しながらプロトタイプをインタラクティブに設計するためのツールを作成するには、よりシンプルなモデルをシミュレートする必要がある。
詳細な計算結果をもたらす数値近似を実行する代わりに、ディープラーニングのデータ駆動手法は、わずかな時間で同様の結果を与えることができるかもしれない。
本研究は,cfdを用いた3次元流れ場計算から,建物足跡の2次元画像から画像への変換に基づく問題への課題を再現し,歩行者高さレベルの流れ場を予測する。
U-Netオートエンコーダ[3]と同様に,様々な領域における画像と画像の翻訳タスクの最先端を表現した Pix2Pix [1] や CycleGAN [2] などの生成敵ネットワーク (GAN) の利用について検討する。
モデルはデータセットの基盤となる分布をデータ駆動の方法で学習することができ、モデルがcfdからレイノルズ平均のnavier-stokes(rans)方程式を学ぶのに役立ちます。
高さ情報の有無に関わらず,様々な3次元ブラフ型建築物のシミュレーションデータセットを試作した。
さらに, モデル選択のための画像の質的, 定量的な評価を行い, CFDによるシミュレーションとの比較を行った。
入力に位置データを加えることで、異なるアーキテクチャにそのような情報を注入するための汎用フレームワークを提案することにより、より正確な結果が得られることを示す。
さらに, 注意機構とスペクトル正規化を適用し, モデル性能が向上し, 安定したトレーニングが容易になることを示す。
関連論文リスト
- Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。
提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。
顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文 参考訳（メタデータ） (2024-07-29T11:48:44Z) - 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) - Object Detection in Thermal Images Using Deep Learning for Unmanned
Aerial Vehicles [0.9208007322096533]
本研究は,無人航空機が収集した熱画像中の微小物体と微小物体を認識可能なニューラルネットワークモデルを提案する。
背骨はYOLOv5の構造に基づいて開発され、最後にトランスフォーマーエンコーダが使用される。
ネックは、スライドウインドウと変圧器とを組み合わせたBI−FPNブロックを備え、予測ヘッドに入力された情報を増加させる。
論文 参考訳（メタデータ） (2024-02-13T06:40:55Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳（メタデータ） (2023-05-24T03:32:03Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Benchmarking of Deep Learning models on 2D Laminar Flow behind Cylinder [0.0]
直接数値シミュレーション(DNS)は計算流体力学におけるタスクの1つである。
これら3つのモデルをオートエンコーダ方式でトレーニングするため、データセットは入力としてモデルに与えられたシーケンシャルフレームとして扱われる。
我々は、最近導入されたTransformerと呼ばれるアーキテクチャが、選択したデータセットでそのアーキテクチャを著しく上回っていることを観察する。
論文 参考訳（メタデータ） (2022-05-26T16:49:09Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - PREPRINT: Comparison of deep learning and hand crafted features for
mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。
このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。
16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文 参考訳（メタデータ） (2021-03-11T09:28:00Z) - 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)
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。