論文の概要: Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data
- arxiv url: http://arxiv.org/abs/2203.09204v1
- Date: Thu, 17 Mar 2022 09:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 15:49:54.319583
- Title: Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data
- Title(参考訳): 境界データに基づくパラメトリック三次元流れ予測のための物理インフォームド深層学習の検討
- Authors: Philip Heger, Markus Full, Daniel Hilger, Norbert Hosters
- Abstract要約: 熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
- 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 placement of temperature sensitive and safety-critical components is
crucial in the automotive industry. It is therefore inevitable, even at the
design stage of new vehicles that these components are assessed for potential
safety issues. However, with increasing number of design proposals, risk
assessment quickly becomes expensive. We therefore present a parameterized
surrogate model for the prediction of three-dimensional flow fields in
aerothermal vehicle simulations. The proposed physics-informed neural network
(PINN) design is aimed at learning families of flow solutions according to a
geometric variation. In scope of this work, we could show that our
nondimensional, multivariate scheme can be efficiently trained to predict the
velocity and pressure distribution for different design scenarios and geometric
scales. The proposed algorithm is based on a parametric minibatch training
which enables the utilization of large datasets necessary for the
three-dimensional flow modeling. Further, we introduce a continuous resampling
algorithm that allows to operate on one static dataset. Every feature of our
methodology is tested individually and verified against conventional CFD
simulations. Finally, we apply our proposed method in context of an exemplary
real-world automotive application.
- Abstract(参考訳): 温度に敏感で安全に重要な部品の配置は、自動車産業にとって極めて重要である。
したがって、新しい車両の設計段階でも、これらの部品が潜在的な安全性の問題で評価されることは避けられない。
しかし、設計提案の増加に伴い、リスク評価は急速に高価になる。
そこで, 熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化代理モデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて流れ解の族を学習することを目的としている。
この研究の範囲内で、我々の非次元多変量スキームは、異なる設計シナリオと幾何スケールに対する速度と圧力分布を効率的に予測できることを示すことができる。
提案手法は,3次元フローモデリングに必要な大規模データセットの利用を可能にするパラメトリックミニバッチトレーニングに基づいている。
さらに,1つの静的データセット上で動作可能な連続再サンプリングアルゴリズムを提案する。
提案手法のすべての特徴を個別に検証し,従来のCFDシミュレーションと比較した。
最後に,本手法を実世界の自動車応用例の文脈に適用する。
関連論文リスト
- Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - Weighted Unsupervised Domain Adaptation Considering Geometry Features
and Engineering Performance of 3D Design Data [2.306144660547256]
本稿では,3次元設計データの幾何学的特徴と工学的性能を考慮した2重非教師なし領域適応手法を提案する。
提案モデルでは, 最大von Mises応力の大きさとそれに対応する3次元路面車輪の位置を予測するために, 車輪衝撃解析問題を用いて実験を行った。
論文 参考訳(メタデータ) (2023-09-08T00:26:44Z) - TrafficFlowGAN: Physics-informed Flow based Generative Adversarial
Network for Uncertainty Quantification [4.215251065887861]
動的システムの不確実性定量化(UQ)のための物理インフォームドフローベース生成逆ネットワーク(GAN)であるTrafficFlowGANを提案する。
このフローモデルは、データ可能性の最大化と、畳み込み判別器を騙すことができる合成データを生成するために訓練される。
我々の知る限りでは、UQ問題に対するフロー、GAN、PIDLの統合を最初に提案します。
論文 参考訳(メタデータ) (2022-06-19T03:35:12Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas [0.41998444721319217]
本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。
本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
論文 参考訳(メタデータ) (2021-12-15T19:37:11Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳(メタデータ) (2021-03-11T15:21:08Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Any Motion Detector: Learning Class-agnostic Scene Dynamics from a
Sequence of LiDAR Point Clouds [4.640835690336654]
動き検出と動きパラメータ推定のための時間的文脈アグリゲーションの新しいリアルタイム手法を提案する。
本稿では,固有点雲列の固有オドメトリック変換に匹敵する性能で,リアルタイムな推論を実現するためのエゴモーション補償層を提案する。
論文 参考訳(メタデータ) (2020-04-24T10:40:07Z) - A Deep Learning Framework for Simulation and Defect Prediction Applied
in Microelectronics [3.8698051494433043]
本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。
我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
論文 参考訳(メタデータ) (2020-02-25T15:54:33Z)
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。