論文の概要: Predicting the temporal dynamics of turbulent channels through deep
learning
- arxiv url: http://arxiv.org/abs/2203.00974v1
- Date: Wed, 2 Mar 2022 09:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 01:13:05.170295
- Title: Predicting the temporal dynamics of turbulent channels through deep
learning
- Title(参考訳): 深層学習による乱流チャネルの時間ダイナミクス予測
- Authors: Giuseppe Borrelli, Luca Guastoni, Hamidreza Eivazi, Philipp Schlatter,
Ricardo Vinuesa
- Abstract要約: 最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。
長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The success of recurrent neural networks (RNNs) has been demonstrated in many
applications related to turbulence, including flow control, optimization,
turbulent features reproduction as well as turbulence prediction and modeling.
With this study we aim to assess the capability of these networks to reproduce
the temporal evolution of a minimal turbulent channel flow. We first obtain a
data-driven model based on a modal decomposition in the Fourier domain (which
we denote as FFT-POD) of the time series sampled from the flow. This particular
case of turbulent flow allows us to accurately simulate the most relevant
coherent structures close to the wall. Long-short-term-memory (LSTM) networks
and a Koopman-based framework (KNF) are trained to predict the temporal
dynamics of the minimal-channel-flow modes. Tests with different configurations
highlight the limits of the KNF method compared to the LSTM, given the
complexity of the flow under study. Long-term prediction for LSTM show
excellent agreement from the statistical point of view, with errors below 2%
for the best models with respect to the reference. Furthermore, the analysis of
the chaotic behaviour through the use of the Lyapunov exponents and of the
dynamic behaviour through Poincar\'e maps emphasizes the ability of the LSTM to
reproduce the temporal dynamics of turbulence. Alternative reduced-order models
(ROMs), based on the identification of different turbulent structures, are
explored and they continue to show a good potential in predicting the temporal
dynamics of the minimal channel.
- Abstract(参考訳): リカレントニューラルネットワーク(RNN)の成功は、流れ制御、最適化、乱流特性の再現、乱流予測とモデリングなど、乱流に関連する多くのアプリケーションで実証されている。
本研究は, 微小乱流流の時間的変化を再現するこれらのネットワークの能力を評価することを目的とする。
まず,フローからサンプリングされた時系列のフーリエ領域(fft-pod)におけるモーダル分解に基づくデータ駆動モデルを得る。
この乱流の場合、壁の近くの最も関連するコヒーレント構造を正確にシミュレートすることができます。
長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
異なる構成の試験では、研究中の流れの複雑さを考えると、LSTMと比較してKNF法の限界が強調される。
LSTMの長期予測は、統計的観点からは優れた一致を示し、参照に関して最良のモデルに対して2%未満の誤差がある。
さらに, リアプノフ指数を用いたカオス的挙動の解析や, ポアンカレ写像による動的挙動の解析は, 乱流の時間的ダイナミクスを再現するLSTMの能力を強調している。
異なる乱流構造を同定した別の還元次モデル(rom)が検討され、最小チャネルの時間的ダイナミクスを予測する良い可能性を示し続けている。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳(メタデータ) (2024-10-28T15:54:50Z) - Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting [17.530885640317372]
本稿では,新しいプロンプトチューニングに基づく連続予測手法を提案する。
具体的には,基本時相グラフニューラルネットワークと連続的なプロンプトプールをメモリに格納する。
この手法により、モデルが広範囲な時間的データストリームから逐次学習し、対応する期間のタスクを達成できる。
論文 参考訳(メタデータ) (2024-10-16T14:12:11Z) - Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。
ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。
純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
論文 参考訳(メタデータ) (2024-08-31T13:43:52Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-02-16T06:13:01Z) - 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 Physics in Mesh-reduced Space with Temporal Attention [15.054026802351146]
本稿では,トランス方式の時間的アテンションモデルを用いて,長期的依存関係をキャプチャする手法を提案する。
本手法は, 複雑な流体力学予測タスクにおいて, 競合するGNNベースラインよりも優れる。
我々のアプローチは、高次元複雑な物理課題の解決に注意に基づくシーケンスモデルの利点をもたらす道を開いたと信じている。
論文 参考訳(メタデータ) (2022-01-22T18:32:54Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Recurrent neural networks and Koopman-based frameworks for temporal
predictions in a low-order model of turbulence [1.95992742032823]
本研究では,長期記憶ネットワークを適切に訓練したカオスシステムの長期統計の再現性に優れることを示す。
Koopmanベースのフレームワークは、非線形強制(KNF)を備えたKoopmanと呼ばれ、計算コストが大幅に低い統計において、同じレベルの正確性をもたらす。
論文 参考訳(メタデータ) (2020-05-01T11:05:14Z)
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。