Fugu-MT 論文翻訳(概要): Predictions of Reynolds and Nusselt numbers in turbulent convection using machine-learning models

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

Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
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,このトレーニング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。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Improved Sample Complexity Bounds for Diffusion Model Training [6.20468094368214]
オンラインの誤りや深度への依存度は,他の関連するパラメータとともに指数関数的に改善した。オンラインのエラーや深度に依存し,他のパラメータへの依存性も改善した。
論文参考訳（メタデータ） (2023-11-23T00:27:13Z)
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)
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。