論文の概要: An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for
Extended Domains applied to Multiphase Flow in Pipes
- arxiv url: http://arxiv.org/abs/2202.06170v1
- Date: Sun, 13 Feb 2022 00:32:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 18:13:47.104954
- Title: An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for
Extended Domains applied to Multiphase Flow in Pipes
- Title（参考訳）: 管内多相流に適用した拡張領域に対するAIに基づく領域分割非侵入還元次数モデル
- Authors: Claire E. Heaney, Zef Wolffs, J\'on Atli T\'omasson, Lyes Kahouadji,
Pablo Salinas, Andr\'e Nicolle, Omar K. Matar, Ionel M. Navon, Narakorn
Srinil, Christopher C. Pain
- Abstract要約: ドメイン分解フレームワーク内で,AIをベースとした非侵襲的低次モデルを提案する。
トレーニングで使用するドメインよりもはるかに大きなドメインの予測を行うことができる。
高忠実度CFDシミュレーションでAI-DDNIROMを訓練した水平管内の多相スラグ流に適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modelling of multiphase flow in a pipe presents a significant challenge
for high-resolution computational fluid dynamics (CFD) models due to the high
aspect ratio (length over diameter) of the domain. In subsea applications, the
pipe length can be several hundreds of kilometres versus a pipe diameter of
just a few inches. In this paper, we present a new AI-based non-intrusive
reduced-order model within a domain decomposition framework (AI-DDNIROM) which
is capable of making predictions for domains significantly larger than the
domain used in training. This is achieved by using domain decomposition;
dimensionality reduction; training a neural network to make predictions for a
single subdomain; and by using an iteration-by-subdomain technique to converge
the solution over the whole domain. To find the low-dimensional space, we
explore several types of autoencoder networks, known for their ability to
compress information accurately and compactly. The performance of the
autoencoders is assessed on two advection-dominated problems: flow past a
cylinder and slug flow in a pipe. To make predictions in time, we exploit an
adversarial network which aims to learn the distribution of the training data,
in addition to learning the mapping between particular inputs and outputs. This
type of network has shown the potential to produce realistic outputs. The whole
framework is applied to multiphase slug flow in a horizontal pipe for which an
AI-DDNIROM is trained on high-fidelity CFD simulations of a pipe of length 10 m
with an aspect ratio of 13:1, and tested by simulating the flow for a pipe of
length 98 m with an aspect ratio of almost 130:1. Statistics of the flows
obtained from the CFD simulations are compared to those of the AI-DDNIROM
predictions to demonstrate the success of our approach.
- Abstract（参考訳）: 管内の多相流のモデル化は、領域の高アスペクト比(直径長)のため、高分解能計算流体力学(cfd)モデルにとって大きな課題となっている。
海底の用途では、パイプの長さは数百キロメートルであり、パイプの直径はわずか数インチである。
本稿では,ドメイン分解フレームワーク(AI-DDNIROM)内のAIをベースとした非侵襲的低次モデルを提案する。
これは、ドメインの分解、次元の縮小、ニューラルネットワークをトレーニングして単一のサブドメインの予測を行い、イテレーション・バイ・サブドメインのテクニックを使ってソリューションをドメイン全体に収束させることによって達成される。
低次元空間を見つけるため、情報を正確にコンパクトに圧縮する能力で知られる数種類のオートエンコーダネットワークを探索する。
自動エンコーダの性能は,シリンダーを過ぎる流れと管内のスラグ流の2つの対流支配問題に基づいて評価される。
時間内に予測を行うには,特定の入力と出力のマッピングの学習に加えて,トレーニングデータの分布の学習を目的とした敵ネットワークを利用する。
このタイプのネットワークは、現実的な出力を生成する可能性を示している。
長さ10m、アスペクト比13:1の高忠実なcfdシミュレーションに基づいてai-ddniromを訓練した水平管内の多相スラグ流に適用し、約130:1のアスペクト比で長さ98mのパイプの流れをシミュレートしてテストする。
CFDシミュレーションから得られた流れの統計をAI-DDNIROM予測の結果と比較し,本手法の有効性を実証した。
関連論文リスト
- Breaking Boundaries: Distributed Domain Decomposition with Scalable
Physics-Informed Neural PDE Solvers [3.826644006708634]
本稿では,大規模問題の推論にデータ並列トレーニングとドメイン並列性を組み合わせた,モザイクフローのエンドツーエンド並列化を提案する。
分散領域分解アルゴリズムは、トレーニング領域よりも4096倍大きい領域上のLaplace方程式を解くためのスケーラブルな推論を可能にする。
論文 参考訳（メタデータ） (2023-08-28T02:25:11Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Deep learning fluid flow reconstruction around arbitrary two-dimensional
objects from sparse sensors using conformal mappings [0.0]
本研究では,SMGFRタスクと呼ばれる新しいフレームワークを提案する。
異なる2次元物体の周りの流体を再学習することなく再構成することができる。
SMGFRタスクは将来的に流動スナップショットの予測に拡張される。
論文 参考訳（メタデータ） (2022-02-08T11:44:16Z) - Crowd Counting via Perspective-Guided Fractional-Dilation Convolution [75.36662947203192]
本稿では,PFDNetと呼ばれる新しい畳み込みニューラルネットワークを用いた群集カウント手法を提案する。
連続スケールの変動をモデル化することにより、提案したPFDNetは、異なる空間位置に対応するための適切な分数拡張カーネルを選択することができる。
これは、個々の代表スケールのみを考慮した最先端技術の柔軟性を著しく向上させる。
論文 参考訳（メタデータ） (2021-07-08T07:57:00Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳（メタデータ） (2021-06-08T00:30:43Z) - Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。
単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
論文 参考訳（メタデータ） (2021-02-10T23:38:36Z) - 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) - Predicting the flow field in a U-bend with deep neural networks [0.0]
本稿では計算流体力学(CFD)と深部ニューラルネットワークに基づく,異なる歪んだU字管内の流れ場を予測することを目的とした研究について述べる。
この研究の主な動機は、流体力学的船体最適化プロセスにおけるディープラーニングパラダイムの正当化に関する洞察を得ることであった。
論文 参考訳（メタデータ） (2020-10-01T09:03:02Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。