論文の概要: Fast Aquatic Swimmer Optimization with Differentiable Projective
Dynamics and Neural Network Hydrodynamic Models
- arxiv url: http://arxiv.org/abs/2204.12584v1
- Date: Wed, 30 Mar 2022 15:21:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-01 09:24:32.628445
- Title: Fast Aquatic Swimmer Optimization with Differentiable Projective
Dynamics and Neural Network Hydrodynamic Models
- Title（参考訳）: 微分射影ダイナミクスとニューラルネットワーク力学モデルを用いた高速水没最適化
- Authors: Elvis Nava, John Zhang, Mike Yan Michelis, Tao Du, Pingchuan Ma,
Benjamin Grewe, Wojciech Matusik, Robert Katzschmann
- Abstract要約: 水面移動(Aquatic locomotion)は、生物学者や技術者が関心を持つ古典的な流体構造相互作用(FSI)問題である。
本研究では, 変形可能なスイマーの固体構造に対する2次元数値シミュレーションを組み合わせた, FSI に完全微分可能な新しいハイブリッド手法を提案する。
2次元キャランギフォームスイマーにおけるハイブリッドシミュレータの計算効率と微分性を示す。
- 参考スコア（独自算出の注目度）: 23.480913364381664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aquatic locomotion is a classic fluid-structure interaction (FSI) problem of
interest to biologists and engineers. Solving the fully coupled FSI equations
for incompressible Navier-Stokes and finite elasticity is computationally
expensive. Optimizing robotic swimmer design within such a system generally
involves cumbersome, gradient-free procedures on top of the already costly
simulation. To address this challenge we present a novel, fully differentiable
hybrid approach to FSI that combines a 2D direct numerical simulation for the
deformable solid structure of the swimmer and a physics-constrained neural
network surrogate to capture hydrodynamic effects of the fluid. For the
deformable simulation of the swimmer's body, we use state-of-the-art techniques
from the field of computer graphics to speed up the finite-element method
(FEM). For the fluid simulation, we use a U-Net architecture trained with a
physics-based loss function to predict the flow field at each time step. The
pressure and velocity field outputs from the neural network are sampled around
the boundary of our swimmer using an immersed boundary method (IBM) to compute
its swimming motion accurately and efficiently. We demonstrate the
computational efficiency and differentiability of our hybrid simulator on a 2D
carangiform swimmer. Since both the solid simulator and the hydrodynamics model
are automatically differentiable, we obtain a fully differentiable FSI
simulator that can be used for computational co-design of geometry and controls
for rigid and soft bodies immersed in fluids, such as minimizing drag,
maximizing speed, or maximizing efficiency via direct gradient-based
optimization.
- Abstract（参考訳）: 水面移動(Aquatic locomotion)は、生物学者や技術者が関心を持つ古典的な流体構造相互作用(FSI)問題である。
非圧縮性ナビエストークと有限弾性に対する完全結合 fsi 方程式の解法は計算量的に高価である。
このようなシステム内でのロボットスイマー設計の最適化には一般的に、既にコストのかかるシミュレーションに加えて、面倒で勾配のない手順が伴う。
この課題に対処するために,2次元直接数値シミュレーションによるスイマーの変形可能な固体構造と,流体の流体力学的効果を捉えるための物理制約付きニューラルネットワークを組み合わせた,fsiへの新しい完全微分可能なハイブリッドアプローチを提案する。
スイマーの身体の変形可能なシミュレーションには、コンピュータグラフィックスの分野から最先端技術を用いて有限要素法(FEM)を高速化する。
流体シミュレーションでは,物理に基づく損失関数を用いて訓練されたU-Netアーキテクチャを用いて,各ステップにおける流れ場を予測する。
ニューラルネットワークから出力される圧力と速度場を、没入境界法(ibm)を用いてスイマーの境界付近でサンプリングし、そのスイミング動作を正確かつ効率的に計算する。
2次元キャランジフォームスイマー上でのハイブリッドシミュレータの計算効率と可微分性を示す。
固体シミュレータと流体力学モデルの両方が自動的に微分可能であるため、抵抗の最小化、速度の最大化、直接勾配に基づく最適化による効率の最大化など、流体に浸漬した剛体および軟体に対する幾何学と制御の計算共設計に使用できる完全微分可能なfsiシミュレータを得る。
関連論文リスト
- Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。
本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。
データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
論文 参考訳（メタデータ） (2023-07-23T12:12:44Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳（メタデータ） (2023-04-21T20:49:29Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Deep Random Vortex Method for Simulation and Inference of Navier-Stokes
Equations [69.5454078868963]
ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。
AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。
本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
論文 参考訳（メタデータ） (2022-06-20T04:58:09Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z) - 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) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳（メタデータ） (2020-12-22T09:21:40Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳（メタデータ） (2020-06-15T20:59:28Z)
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。