論文の概要: Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection
- arxiv url: http://arxiv.org/abs/2202.13129v1
- Date: Sat, 26 Feb 2022 12:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 10:22:10.570402
- Title: Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection
- Title（参考訳）: rayleigh-b\'{e}nard対流における局所乱流熱流の直接データ駆動予測
- Authors: Sandeep Pandey, Philipp Teutsch, Patrick M\"ader, J\"org Schumacher
- Abstract要約: Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A combined convolutional autoencoder-recurrent neural network machine
learning model is presented to analyse and forecast the dynamics and low-order
statistics of the local convective heat flux field in a two-dimensional
turbulent Rayleigh-B\'{e}nard convection flow at Prandtl number ${\rm Pr}=7$
and Rayleigh number ${\rm Ra}=10^7$. Two recurrent neural networks are applied
for the temporal advancement of flow data in the reduced latent data space, a
reservoir computing model in the form of an echo state network and a recurrent
gated unit. Thereby, the present work exploits the modular combination of three
different machine learning algorithms to build a fully data-driven and reduced
model for the dynamics of the turbulent heat transfer in a complex thermally
driven flow. The convolutional autoencoder with 12 hidden layers is able to
reduce the dimensionality of the turbulence data to about 0.2 \% of their
original size. Our results indicate a fairly good accuracy in the first- and
second-order statistics of the convective heat flux. The algorithm is also able
to reproduce the intermittent plume-mixing dynamics at the upper edges of the
thermal boundary layers with some deviations. The same holds for the
probability density function of the local convective heat flux with differences
in the far tails. Furthermore, we demonstrate the noise resilience of the
framework which suggests the present model might be applicable as a reduced
dynamical model that delivers transport fluxes and their variations to the
coarse grid cells of larger-scale computational models, such as global
circulation models for the atmosphere and ocean.
- Abstract（参考訳）: 2次元乱流Rayleigh-B\'{e}nard対流における局所対流熱流場の動的および低次統計を解析・予測するために,畳み込み自己エンコーダ・リカレントニューラルネットワーク機械学習モデルが提示され,レイリー数${\rm Pr}=7$とRayleigh数${\rm Ra}=10^7$が与えられた。
縮小潜在データ空間における流れデータの時間的進行に2つのリカレントニューラルネットワークを適用し、エコー状態ネットワークとリカレントゲートユニットの形式で貯水池計算モデルを適用する。
これにより、3つの異なる機械学習アルゴリズムのモジュラー結合を利用して、複雑な熱駆動流れにおける乱流熱伝達のダイナミックスを完全にデータ駆動で還元するモデルを構築する。
12個の隠れ層を持つ畳み込みオートエンコーダは、乱流データの寸法を元の約0.2%に縮小することができる。
本結果は,対流熱流束の1次および2次統計において,かなり良好な精度を示した。
このアルゴリズムは、熱境界層の上端における間欠的プルーム混合ダイナミクスを若干の偏差で再現することもできる。
同じことが、遠尾部が異なる局所対流熱流束の確率密度関数にも当てはまる。
さらに,本モデルが,大気・海洋循環モデルなどの大規模計算モデルの粗い格子セルに輸送流束と変動を伝達する還元力学モデルとして適用可能であることを示唆する枠組みの雑音弾性を実証する。
関連論文リスト
- Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。
我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。
我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文 参考訳（メタデータ） (2024-10-17T20:53:04Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳（メタデータ） (2022-12-24T12:59:41Z) - Reduced Order Probabilistic Emulation for Physics-Based Thermosphere
Models [0.0]
本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。
利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。
また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
論文 参考訳（メタデータ） (2022-11-08T17:36:37Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - 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) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳（メタデータ） (2021-01-27T11:27:16Z) - Score-Based Generative Modeling through Stochastic Differential
Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。
対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。
スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。
スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文 参考訳（メタデータ） (2020-11-26T19:39:10Z) - 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) - Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。
本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。
結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
論文 参考訳（メタデータ） (2020-06-08T16:37:48Z)
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。