論文の概要: Towards a Numerical Proof of Turbulence Closure
- arxiv url: http://arxiv.org/abs/2202.09289v1
- Date: Fri, 18 Feb 2022 16:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 14:51:05.162970
- Title: Towards a Numerical Proof of Turbulence Closure
- Title(参考訳): 乱流閉鎖の数値証明に向けて
- Authors: Giulio Ortali, Alessandro Corbetta, Gianluigi Rozza, and Federico
Toschi
- Abstract要約: 本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。
本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of turbulence closure models, parametrizing the influence of
small non-resolved scales on the dynamics of large resolved ones, is an
outstanding theoretical challenge with vast applicative relevance. We present a
closure, based on deep recurrent neural networks, that quantitatively
reproduces, within statistical errors, Eulerian and Lagrangian structure
functions and the intermittent statistics of the energy cascade, including
those of subgrid fluxes. To achieve high-order statistical accuracy, and thus a
stringent statistical test, we employ shell models of turbulence. Our results
encourage the development of similar approaches for 3D Navier-Stokes
turbulence.
- Abstract(参考訳): 乱流閉包モデルの開発は、小さな非解決スケールが大きな解決スケールの力学に与える影響をパラメタライズし、大きな適用性を持つ理論上の課題である。
本稿では,統計誤差,オイラー構造関数,ラグランジュ構造関数,およびサブグリッドフラックスを含むエネルギーカスケードの断続統計を定量的に再現する,ディープリカレントニューラルネットワークに基づく閉包について述べる。
高次統計精度を達成するために, 厳密な統計試験を行い, 乱流のシェルモデルを用いた。
その結果, 3次元ナビエ・ストークス乱流に対する類似手法の開発が促進された。
関連論文リスト
- The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Bayesian Conditional Diffusion Models for Versatile Spatiotemporal
Turbulence Generation [13.278744447861289]
本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。
提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。
数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
論文 参考訳(メタデータ) (2023-11-14T04:08:14Z) - Synthetic Lagrangian Turbulence by Generative Diffusion Models [6.128591228954929]
高レイノルズ数での3次元乱流における単一粒子軌道生成のための機械学習手法を提案する。
本モデルは,時間スケール全体にわたって,関連するすべての統計ベンチマークを定量的に再現する能力を示す。
これは、ラグランジアン乱流の様々な下流の応用を事前訓練するための、合成された高品質なデータセットを作成する方法である。
論文 参考訳(メタデータ) (2023-07-17T14:42:32Z) - A unified method of data assimilation and turbulence modeling for
separated flows at high Reynolds numbers [0.0]
本稿では,データ同化と乱流モデリングの統一的アプローチとして,改良されたアンサンブルカルマン逆変換法を提案する。
DNNのトレーニング可能なパラメータは、与えられた実験的表面圧力係数に応じて最適化される。
その結果, 各種実験状態の連成同化により, 付着流と分離流の双方によく適応する乱流モデルが得られることがわかった。
論文 参考訳(メタデータ) (2022-11-01T17:17:53Z) - Triangular Flows for Generative Modeling: Statistical Consistency,
Smoothness Classes, and Fast Rates [8.029049649310211]
三角流、あるいはKn"othe-Rosenblatt測度結合は、フローモデルを正規化するための重要な構成要素である。
三角流統計モデルに対する統計的保証とサンプル複雑性境界を示す。
論文 参考訳(メタデータ) (2021-12-31T18:57:37Z) - Divergence Frontiers for Generative Models: Sample Complexity,
Quantization Level, and Frontier Integral [58.434753643798224]
多様性フロンティアは生成モデルの評価フレームワークとして提案されている。
分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。
また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
論文 参考訳(メタデータ) (2021-06-15T06:26:25Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。
従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。
本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文 参考訳(メタデータ) (2020-10-26T21:14:15Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z) - On the stability of projection-based model order reduction for
convection-dominated laminar and turbulent flows [0.0]
モーダル・トランケーション (modal truncation) により、プロジェクションベースのリダクション・オーダー・モデル (PROM) は乱流エネルギーカスケードの散逸状態を解決せず、したがって数値的に不安定である、としばしば主張される。
本稿では,プロジェクションに基づくモデル秩序の低減と半離散化の関係を考察し,関連する3つの流れ問題からの数値的エビデンスを用いて,PROMの乱流・対流支配乱流問題に対する数値的不安定性について,PROMの構築に使用されてきたGalerkinフレームワークについて述べる。
論文 参考訳(メタデータ) (2020-01-27T22:39:27Z)
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。