論文の概要: Predictions of Reynolds and Nusselt numbers in turbulent convection
using machine-learning models
- arxiv url: http://arxiv.org/abs/2201.03200v1
- Date: Mon, 10 Jan 2022 07:51:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 21:54:49.622136
- Title: Predictions of Reynolds and Nusselt numbers in turbulent convection
using machine-learning models
- Title(参考訳): 機械学習モデルによる乱流対流中のレイノルズ数とヌッセルト数の予測
- Authors: Shashwat Bhattacharya, Mahendra K Verma, Arnab Bhattacharya
- Abstract要約: 乱流熱対流におけるレイノルズ数(Re)とヌッセルト数を予測するための多変量回帰モデルとニューラルネットワークモデルを開発する。
より初期の対流モデルと比較する: Grossmann-Lohse[Phys. Rev. textbf86, 3316 2001]、改訂 Grossmann-Lohse[Phys. Rev. E textbf94, 053] モデル。
- 参考スコア(独自算出の注目度): 5.10123605644148
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we develop a multivariate regression model and a neural
network model to predict the Reynolds number (Re) and Nusselt number in
turbulent thermal convection. We compare their predictions with those of
earlier models of convection: Grossmann-Lohse~[Phys. Rev. Lett. \textbf{86},
3316 (2001)], revised Grossmann-Lohse~[Phys. Fluids \textbf{33}, 015113
(2021)], and Pandey-Verma [Phys. Rev. E \textbf{94}, 053106 (2016)] models. We
observe that although the predictions of all the models are quite close to each
other, the machine learning models developed in this work provide the best
match with the experimental and numerical results.
- Abstract(参考訳): 本稿では, 乱流熱対流におけるレイノルズ数(Re)とヌッセルト数を予測するために, 多変量回帰モデルとニューラルネットワークモデルを開発する。
それらの予測は、以前の対流モデルと比較する: Grossmann-Lohse~[Phys]。
Rev. Lett.
\textbf{86}, 3316 (2001)], revision Grossmann-Lohse~[Phys.
流体は \textbf{33}, 015113 (2021)], pandey-verma [phys] である。
rev. e \textbf{94}, 053106 (2016)] モデル。
すべてのモデルの予測は互いに非常に近いが,本研究で開発した機械学習モデルは,実験結果と数値結果に最もよく一致する。
関連論文リスト
- Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳(メタデータ) (2024-03-10T04:16:04Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - Evaluation of Differentially Constrained Motion Models for Graph-Based
Trajectory Prediction [1.1947990549568765]
本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。
この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
論文 参考訳(メタデータ) (2023-04-11T10:15:20Z) - Artificial neural networks and time series of counts: A class of
nonlinear INGARCH models [0.0]
INGARCHモデルを人工知能ニューラルネットワーク(ANN)応答関数と組み合わせて非線形INGARCHモデルのクラスを得る方法を示す。
ANNフレームワークは、対応するニューラルモデルの退化バージョンとして、既存のINGARCHモデルの解釈を可能にする。
有界数と非有界数の時系列の実証分析により、ニューラルINGARCHモデルは、情報損失の観点から、合理的に退化した競合モデルより優れていることが示された。
論文 参考訳(メタデータ) (2023-04-03T14:26:16Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - 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) - Deep Learning to advance the Eigenspace Perturbation Method for
Turbulence Model Uncertainty Quantification [0.0]
乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。
我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
論文 参考訳(メタデータ) (2022-02-11T08:06:52Z) - Identification of high order closure terms from fully kinetic
simulations using machine learning [0.0]
2つの異なる機械学習モデルが、運動シミュレーションから抽出された高次モーメントをいかに合成できるかを示す。
モデルの精度と一般化能力を評価し,ベースラインモデルと比較した。
どちらのモデルも熱流束と圧力テンソルを非常によく捉えることができ、勾配昇降レグレッタは2モデルの中で最も安定である。
論文 参考訳(メタデータ) (2021-10-19T12:27:02Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳(メタデータ) (2021-03-11T15:21:08Z) - Neural network with data augmentation in multi-objective prediction of
multi-stage pump [16.038015881697593]
ニューラルネットワークモデル(NN)は、二次応答面モデル(RSF)、ラジアル基底ガウス応答面モデル(RBF)、クリグモデル(KRG)と比較して構築される。
4つの予測モデルに基づく頭部とパワーの精度をCFDシミュレーション値と比較した。
データ拡張(NNDA)に基づくニューラルネットワークモデルが提案されている。
論文 参考訳(メタデータ) (2020-02-04T11:23:42Z)
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。