論文の概要: Asymptotic self-similar blow-up profile for three-dimensional
axisymmetric Euler equations using neural networks
- arxiv url: http://arxiv.org/abs/2201.06780v3
- Date: Sun, 7 May 2023 23:57:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 01:21:57.863800
- Title: Asymptotic self-similar blow-up profile for three-dimensional
axisymmetric Euler equations using neural networks
- Title(参考訳): ニューラルネットワークを用いた3次元軸対称オイラー方程式の漸近自己相似ブローアッププロファイル
- Authors: Yongji Wang, Ching-Yao Lai, Javier G\'omez-Serrano, Tristan Buckmaster
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)を用いた新しい数値フレームワークを開発した。
2-D Boussinesq 方程式と 3-D Euler 方程式に対する滑らかな自己相似ブローアッププロファイルを初めて発見する。
この解そのものは、将来のコンピュータ支援による両方の方程式の爆発の証明の基礎となる可能性がある。
- 参考スコア(独自算出の注目度): 0.3441021278275805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whether there exist finite time blow-up solutions for the 2-D Boussinesq and
the 3-D Euler equations are of fundamental importance to the field of fluid
mechanics. We develop a new numerical framework, employing physics-informed
neural networks (PINNs), that discover, for the first time, a smooth
self-similar blow-up profile for both equations. The solution itself could form
the basis of a future computer-assisted proof of blow-up for both equations. In
addition, we demonstrate PINNs could be successfully applied to find unstable
self-similar solutions to fluid equations by constructing the first example of
an unstable self-similar solution to the C\'ordoba-C\'ordoba-Fontelos equation.
We show that our numerical framework is both robust and adaptable to various
other equations.
- Abstract(参考訳): 2次元ブーサインと3次元オイラー方程式の有限時間ブロウアップ解が存在するかどうかは流体力学の分野において極めて重要である。
物理インフォームドニューラルネットワーク(PINN)を用いて,両方程式のスムーズな自己相似ブローアッププロファイルを初めて発見する,新しい数値フレームワークを開発した。
この解そのものは、将来のコンピュータ支援による両方の方程式の爆発の証明の基礎となる可能性がある。
さらに, c\'ordoba-c\'ordoba-fontelos方程式に対する不安定な自己相似解の最初の例を構築し, 流体方程式に対する不安定な自己相似解の発見にピンを応用できることを実証した。
我々の数値的枠組みは他の様々な方程式に頑健で適応可能であることを示す。
関連論文リスト
- Explicit Solution Equation for Every Combinatorial Problem via Tensor Networks: MeLoCoToN [55.2480439325792]
計算問題はすべて、解を返却する厳密な明示的な方程式を持つことを示す。
本稿では, インバージョン, 制約満足度, 最適化の両面から, 正確に任意の問題を解く方程式を得る方法を提案する。
論文 参考訳(メタデータ) (2025-02-09T18:16:53Z) - Discovery of Quasi-Integrable Equations from traveling-wave data using the Physics-Informed Neural Networks [0.0]
PINNは2+1次元非線形偏微分方程式の渦解の研究に用いられる。
保存法則(cPINN)、初期プロファイルの変形、および識別の解像度を改善するための摩擦アプローチを考察する。
論文 参考訳(メタデータ) (2024-10-23T08:29:13Z) - Physics-constrained convolutional neural networks for inverse problems in spatiotemporal partial differential equations [4.266376725904727]
偏微分方程式(PDE)における2種類の逆問題を解決するために,物理制約付き畳み込みニューラルネットワーク(PCCNN)を提案する。
第1の逆問題では、偏りのあるデータからオフセットしたデータを与えられる。
第2の逆問題では、PDEの解に関する情報が与えられる。
論文 参考訳(メタデータ) (2024-01-18T13:51:48Z) - Solving the Discretised Multiphase Flow Equations with Interface
Capturing on Structured Grids Using Machine Learning Libraries [0.6299766708197884]
本稿では,機械学習ライブラリのツールと手法を用いて,離散化した多相流方程式を解く。
はじめて、(訓練されていない)畳み込みニューラルネットワークに基づくアプローチを用いて、多相流の有限要素判別を解くことができる。
論文 参考訳(メタデータ) (2024-01-12T18:42:42Z) - Can Physics-Informed Neural Networks beat the Finite Element Method? [1.1470070927586016]
偏微分方程式は、多くのプロセスやシステムの数学的モデリングにおいて基本的な役割を果たす。
様々な近似タスクにおけるディープニューラルネットワークの成功は、PDEの数値解における彼らの利用を動機付けている。
論文 参考訳(メタデータ) (2023-02-08T15:01:21Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Deep Random Vortex Method for Simulation and Inference of Navier-Stokes
Equations [69.5454078868963]
ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。
AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。
本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
論文 参考訳(メタデータ) (2022-06-20T04:58:09Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳(メタデータ) (2022-06-01T18:48:01Z) - Applications of physics informed neural operators [2.588973722689844]
偏微分方程式を学習するためのエンドツーエンドフレームワークを提案する。
まず,本手法が他のニューラル演算子の精度と性能を再現することを示す。
2次元バーガース方程式を含む新しいタイプの方程式を学習するために、物理インフォームド・ニューラル演算子を適用した。
論文 参考訳(メタデータ) (2022-03-23T18:00:05Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z)
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。