論文の概要: Surrogate Model for Shallow Water Equations Solvers with Deep Learning

• arxiv url: http://arxiv.org/abs/2112.10889v1
• Date: Mon, 20 Dec 2021 22:30:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:44:45.655818
• Title: Surrogate Model for Shallow Water Equations Solvers with Deep Learning
• Title（参考訳）: 深層学習を伴う浅水方程式解のサロゲートモデル
• Authors: Yalan Song, Chaopeng Shen, Xiaofeng Liu
• Abstract要約: この研究は、ディープラーニングに基づく効率的で正確で柔軟な代理モデルNN-p2pを導入している。 入力には、空間座標と水理構造の幾何学を記述する境界特徴の両方が含まれている。 NN-p2pは、ニューラルネットワークで見えないピアまわりの流れを予測するのに優れた性能を持つ。
• 参考スコア（独自算出の注目度）: 6.123836425156534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shallow water equations are the foundation of most models for flooding and river hydraulics analysis. These physics-based models are usually expensive and slow to run, thus not suitable for real-time prediction or parameter inversion. An attractive alternative is surrogate model. This work introduces an efficient, accurate, and flexible surrogate model, NN-p2p, based on deep learning and it can make point-to-point predictions on unstructured or irregular meshes. The new method was evaluated and compared against existing methods based on convolutional neural networks (CNNs), which can only make image-to-image predictions on structured or regular meshes. In NN-p2p, the input includes both spatial coordinates and boundary features that can describe the geometry of hydraulic structures, such as bridge piers. All surrogate models perform well in predicting flow around different types of piers in the training domain. However, only NN-p2p works well when spatial extrapolation is performed. The limitations of CNN-based methods are rooted in their raster-image nature which cannot capture boundary geometry and flow features exactly, which are of paramount importance to fluid dynamics. NN-p2p also has good performance in predicting flow around piers unseen by the neural network. The NN-p2p model also respects conservation laws more strictly. The application of the proposed surrogate model was demonstrated by calculating the drag coefficient $C_D$ for piers and a new linear relationship between $C_D$ and the logarithmic transformation of pier's length/width ratio was discovered.
• Abstract（参考訳）: 浅い水方程式は洪水や河川水理解析のモデルの基礎となっている。 これらの物理モデルは通常高価で実行が遅いため、リアルタイムの予測やパラメータの反転には適さない。 魅力的な代替案は代理モデルである。 この研究は、ディープラーニングに基づく効率的で正確で柔軟な代理モデルNN-p2pを導入し、非構造化メッシュや不規則メッシュ上でポイントツーポイント予測を行う。 提案手法は,構造的あるいは規則的メッシュ上でのみ画像から画像への予測が可能な畳み込みニューラルネットワーク(cnns)に基づく既存手法と比較した。 NN-p2pでは、入力は空間座標とブリッジ桟橋のような水理構造の幾何学を記述する境界特徴の両方を含む。 すべてのサロゲートモデルは、トレーニング領域内の異なるタイプの桟橋まわりの流れを予測するのにうまく機能する。 しかし,空間外挿を行う場合,NN-p2pのみが有効である。 CNNに基づく手法の限界は、境界形状や流れの特徴を正確に把握できないラスタ像の性質に根ざしている。 NN-p2pはまた、ニューラルネットワークによって見えないピアまわりの流れを予測するのに優れた性能を持っている。 NN-p2pモデルは保存法則をより厳格に尊重している。 提案した代理モデルの適用は,桟橋の抵抗係数$C_D$を計算し,桟橋の長さ/幅比の対数変換とC_D$の新しい線形関係を導出した。

関連論文リスト

• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [92.05291395292537]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 まず、Emphnode-wiseアーキテクチャは各ノードの個別の埋め込みをプリコンパイルし、後に単純なデコーダで結合して予測を行う。 第二に、エンフェッジワイド法は、ペアワイド関係の表現を強化するために、エッジ固有のサブグラフ埋め込みの形成に依存している。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• A Physics-Informed Neural Network to Model Port Channels [0.09830751917335563]
  PINNモデルは、物理システムとデータ駆動機械学習モデルの知識を組み合わせることを目的としている。 まず,従来のシミュレーション手法では実現不可能な周期的な流れを仮定するために,本モデルの設計を行う。 第2に、計算コストがほぼゼロに近いトレーニング中に関数評価点を再サンプリングする利点を評価する。
  論文  参考訳（メタデータ） (2022-12-20T22:53:19Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Deep-Learning based Inverse Modeling Approaches: A Subsurface Flow Example [0.0]
  理論誘導ニューラルネットワーク(TgNN)は、不確実なモデルパラメータの問題に対するディープラーニングサロゲートとして構築されている。 直接逆モデリングでは,TgNNが地理情報に制約を課した直接深層学習逆変換法が提案されている。
  論文  参考訳（メタデータ） (2020-07-28T15:31:07Z)
• Convolutional-network models to predict wall-bounded turbulence from wall quantities [0.0]
  乱流開水路流れにおける壁面異常位置の2次元速度変動場を予測するために2つのモデルを訓練した。 最初のモデルは、揺らぎを直接予測する完全畳み込みニューラルネットワーク(FCN)である。 後者は正規直交基底関数の線形結合を用いて流れ場を再構成する。
  論文  参考訳（メタデータ） (2020-06-22T17:57:40Z)

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。