Fugu-MT 論文翻訳(概要): Towards a Numerical Proof of Turbulence Closure

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

CoNFiLD-inlet: Synthetic Turbulence Inflow Using Generative Latent Diffusion Models with Neural Fields [7.646019826936172]
渦解流乱流シミュレーションは、複雑なマルチスケールの乱流構造を正確に再現する流入条件を必要とする。従来のリサイクルベースの手法は計算コストのかかるシミュレーションに頼っているが、既存の合成インフロージェネレータは乱流の現実的なコヒーレント構造を再現できないことが多い。本稿では, 遅延空間を統合し, 現実的な流入乱流を生成する新しいDLベースインフロージェネレータであるCoNFiLD-inletを提案する。
論文参考訳（メタデータ） (2024-11-21T18:13:03Z)
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)
Synthetic Lagrangian Turbulence by Generative Diffusion Models [1.7810134788247751]
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。我々のモデルは、時間スケールでほとんどの統計ベンチマークを再現する能力を示している。驚くべきことに、このモデルは極端な事象に対して強い一般化可能性を示し、依然として現実的な統計に合致する高い強度と希薄な事象を生み出している。
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)
Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文参考訳（メタデータ） (2021-09-06T14:52:58Z)
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)
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。