論文の概要: NUNet: Deep Learning for Non-Uniform Super-Resolution of Turbulent Flows
- arxiv url: http://arxiv.org/abs/2203.14154v1
- Date: Sat, 26 Mar 2022 20:45:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-03-29 17:47:13.978233
- Title: NUNet: Deep Learning for Non-Uniform Super-Resolution of Turbulent Flows
- Title（参考訳）: NUNet:乱流の非均一超解法のためのディープラーニング
- Authors: Octavi Obiols-Sales, Abhinav Vishnu, Nicholas Malaya, Aparna
Chandramowlishwaran
- Abstract要約: 深層学習に基づく非一様乱流超解像のための適応メッシュ改善フレームワークであるNUNetを紹介する。
NUNetは入力された低解像度フローフィールドをパッチに分割し、各パッチをスコアし、ターゲットの解像度を予測する。
ターゲット精度を達成するために、流体領域の領域を適応的に精製する空間的に不均一な流れ場を出力する。
- 参考スコア（独自算出の注目度）: 1.5649420473539182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning (DL) algorithms are becoming increasingly popular for the
reconstruction of high-resolution turbulent flows (aka super-resolution).
However, current DL approaches perform spatially uniform super-resolution - a
key performance limiter for scalability of DL-based surrogates for
Computational Fluid Dynamics (CFD).
To address the above challenge, we introduce NUNet, a deep learning-based
adaptive mesh refinement (AMR) framework for non-uniform super-resolution of
turbulent flows. NUNet divides the input low-resolution flow field into
patches, scores each patch, and predicts their target resolution. As a result,
it outputs a spatially non-uniform flow field, adaptively refining regions of
the fluid domain to achieve the target accuracy. We train NUNet with
Reynolds-Averaged Navier-Stokes (RANS) solutions from three different canonical
flows, namely turbulent channel flow, flat plate, and flow around ellipses.
NUNet shows remarkable discerning properties, refining areas with complex flow
features, such as near-wall domains and the wake region in flow around solid
bodies, while leaving areas with smooth variations (such as the freestream) in
the low-precision range. Hence, NUNet demonstrates an excellent qualitative and
quantitative alignment with the traditional OpenFOAM AMR solver. Moreover, it
reaches the same convergence guarantees as the AMR solver while accelerating it
by 3.2-5.5x, including unseen-during-training geometries and boundary
conditions, demonstrating its generalization capacities. Due to NUNet's ability
to super-resolve only regions of interest, it predicts the same target
1024x1024 spatial resolution 7-28.5x faster than state-of-the-art DL methods
and reduces the memory usage by 4.4-7.65x, showcasing improved scalability.
- Abstract（参考訳）: 深層学習(DL)アルゴリズムは高分解能乱流(超解像)の再構成にますます人気が高まっている。
しかし、現在のdlアプローチは空間的に均一な超解像 - 計算流体力学 (cfd) のためのdlベースのサロゲートのスケーラビリティのための重要な性能限界である。
この課題に対処するために,我々は,非一様乱流超解像のためのディープラーニングベースの適応メッシュ改善(AMR)フレームワークであるNUNetを紹介する。
NUNetは入力された低解像度フローフィールドをパッチに分割し、各パッチをスコアし、ターゲットの解像度を予測する。
その結果、流体領域の領域を適応的に精製して目標精度を達成する空間的に不均一な流れ場を出力する。
Reynolds-Averaged Navier-Stokes (RANS) を用いてNUNetをトレーニングする。
nunetは顕著な識別性を示し、固形体まわりの流れにおける壁近傍領域やウェイク領域のような複雑な流動特性を持つ領域を精製する一方で、低精度範囲で滑らかな変化(自由流など)を持つ領域を残している。
したがって、NUNetは従来のOpenFOAM AMRソルバと優れた定性的かつ定量的な整合性を示す。
さらに、amrソルバと同じ収束保証に到達し、それを3.2-5.5倍加速し、その一般化能力を示している。
NUNetの関心領域のみを超解する能力のため、1024x1024空間解像度は最先端のDL法よりも7-28.5倍速く、メモリ使用量を4.4-7.65倍に削減し、スケーラビリティの向上を示す。
関連論文リスト
- Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - A Neural Network-enhanced Reproducing Kernel Particle Method for
Modeling Strain Localization [0.0]
本研究では,ニューラルネットワークを用いた再生カーネル粒子法(NN-RKPM)を提案する。
局所化近傍の溶液転移の位置、配向、形状は、NN近似によって自動的にキャプチャされる。
NN-RKPMの有効性を数値検証により検証した。
論文 参考訳（メタデータ） (2022-04-28T23:59:38Z) - Shallow Network Based on Depthwise Over-Parameterized Convolution for
Hyperspectral Image Classification [0.7329200485567825]
本稿では,畳み込みニューラルネットワーク(CNN)を用いたハイパースペクトル画像分類(HSIC)の浅層モデルを提案する。
提案手法は、分類精度と計算効率の観点から、他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2021-12-01T03:10:02Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Train Once and Use Forever: Solving Boundary Value Problems in Unseen
Domains with Pre-trained Deep Learning Models [0.20999222360659606]
本稿では,ニューラルネットワークを用いて境界値問題(BVP)を解くための伝達可能なフレームワークを提案する。
まず,任意の境界条件にまたがるbvpの解を推論できるニューラルネットワークであるgfnet(emphgenomic flow network)を提案する。
そこで我々は,GFNetの推論を組み立てたりステッチしたりする新しい反復アルゴリズムである emphmosaic flow (MF) 予測器を提案する。
論文 参考訳（メタデータ） (2021-04-22T05:20:27Z) - Physics-aware deep neural networks for surrogate modeling of turbulent
natural convection [0.0]
Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。
標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。
50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
論文 参考訳（メタデータ） (2021-03-05T09:48:57Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。