論文の概要: Automated Dissipation Control for Turbulence Simulation with Shell Models

• arxiv url: http://arxiv.org/abs/2201.02485v1
• Date: Fri, 7 Jan 2022 15:03:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 16:21:22.039280
• Title: Automated Dissipation Control for Turbulence Simulation with Shell Models
• Title（参考訳）: シェルモデルによる乱流シミュレーションのための自動散逸制御
• Authors: Ann-Kathrin Dombrowski, Klaus-Robert M\"uller, Wolf Christian M\"uller
• Abstract要約: 機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。 本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.675857332621569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of machine learning (ML) techniques, especially neural networks, has seen tremendous success at processing images and language. This is because we often lack formal models to understand visual and audio input, so here neural networks can unfold their abilities as they can model solely from data. In the field of physics we typically have models that describe natural processes reasonably well on a formal level. Nonetheless, in recent years, ML has also proven useful in these realms, be it by speeding up numerical simulations or by improving accuracy. One important and so far unsolved problem in classical physics is understanding turbulent fluid motion. In this work we construct a strongly simplified representation of turbulence by using the Gledzer-Ohkitani-Yamada (GOY) shell model. With this system we intend to investigate the potential of ML-supported and physics-constrained small-scale turbulence modelling. Instead of standard supervised learning we propose an approach that aims to reconstruct statistical properties of turbulence such as the self-similar inertial-range scaling, where we could achieve encouraging experimental results. Furthermore we discuss pitfalls when combining machine learning with differential equations.
• Abstract（参考訳）: 機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 これは、視覚と音声の入力を理解するための正式なモデルがないことが多いため、ニューラルネットワークはデータからのみモデル化できるため、その能力を広げることができる。 物理学の分野では通常、形式レベルで自然過程を合理的に記述するモデルがある。 しかしながら、近年では数値シミュレーションの高速化や精度の向上など、これらの領域でもMLは有用であることが証明されている。 古典物理学における重要な未解決の問題は、乱流の運動を理解することである。 本研究は,Gledzer-Ohkitani-yamada (GOY)シェルモデルを用いて,乱流の簡易表現を構築する。 本システムでは,ML支援および物理制約付き小型乱流モデルの可能性について検討する。 標準教師付き学習の代わりに,自己相似慣性範囲スケーリングのような乱流の統計的特性を再構築し,実験結果を促進できるアプローチを提案する。 さらに,機械学習と微分方程式を組み合わせた場合の落とし穴について述べる。

関連論文リスト

• Magnetohydrodynamics with Physics Informed Neural Operators [2.588973722689844]
  本稿では,AIを用いて複雑なシステムのモデリングを,計算コストのごく一部で高速化する方法について検討する。 本稿では,2次元非圧縮性磁気流体力学シミュレーションのモデル化のための物理情報演算子の最初の応用について述べる。
  論文  参考訳（メタデータ） (2023-02-13T19:00:00Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Learned Coarse Models for Efficient Turbulence Simulation [7.032136054073367]
  提案モデルでは, 従来の数値解法に比べて, 乱流力学を同じ低分解能で高精度にシミュレートできることを示す。 我々のモデルはデータからエンドツーエンドに訓練され、低解像度でカオス的かつ乱流的な力学を学習することができる。
  論文  参考訳（メタデータ） (2021-12-31T03:28:45Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。