論文の概要: Flow Completion Network: Inferring the Fluid Dynamics from Incomplete Flow Information using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2205.04739v1
• Date: Tue, 10 May 2022 08:17:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 21:00:40.475233
• Title: Flow Completion Network: Inferring the Fluid Dynamics from Incomplete Flow Information using Graph Neural Networks
• Title（参考訳）: フロー完了ネットワーク:グラフニューラルネットワークを用いた不完全フロー情報からの流体力学の推定
• Authors: Xiaodong He (1), Yinan Wang (2), Juan Li (3) ((1) Department of R and D, UnionString Technology Co. Ltd., (2) School of Engineering, University of Liverpool, Liverpool, UK. (3) Department of Engineering, King's College London, London, UK.)
• Abstract要約: 本稿では,流体力学を推論する新しいニューラルネットワーク,フローコンプリートネットワーク(FCN)を提案する。 FCNはいくつかのグラフ畳み込み層と空間的注意層で構成されている。 渦力マップ(VFM)法と組み合わせることで,流れ場の速度場と渦力の寄与を推算する。
• 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: This paper introduces a novel neural network -- the flow completion network (FCN) -- to infer the fluid dynamics, including the flow field and the force acting on the body, from the incomplete data based on Graph Convolution Attention Network. The FCN is composed of several graph convolution layers and spatial attention layers. It is designed to infer the velocity field and the vortex force contribution of the flow field when combined with the vortex force map (VFM) method. Compared with other neural networks adopted in fluid dynamics, the FCN is capable of dealing with both structured data and unstructured data. The performance of the proposed FCN is assessed by the computational fluid dynamics (CFD) data on the flow field around a circular cylinder. The force coefficients predicted by our model are validated against those obtained directly from CFD. Moreover, it is shown that our model effectively utilizes the existing flow field information and the gradient information simultaneously, giving a better performance than the traditional CNN-based and DNN-based models.
• Abstract（参考訳）: 本稿では,グラフ畳み込み注意ネットワークに基づく不完全なデータから,流れ場や物体に作用する力を含む流体力学を推定する,新しいニューラルネットワークであるフロー補完ネットワーク(fcn)を提案する。 FCNはいくつかのグラフ畳み込み層と空間的注意層で構成されている。 渦力マップ(vfm)法と組み合わせた流場の速度場と渦力寄与を推算するように設計された。 流体力学で採用された他のニューラルネットワークと比較して、FCNは構造化データと非構造化データの両方を扱うことができる。 提案するFCNの性能は, 円柱まわりの流れ場に関する計算流体力学(CFD)データを用いて評価する。 本モデルにより予測される力係数はCFDから直接得られる力係数に対して検証される。 さらに,本モデルでは,既存の流れ場情報と勾配情報を同時に活用し,従来のCNNモデルやDNNモデルよりも優れた性能が得られることを示した。

関連論文リスト

• Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
  本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。 その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Identification of vortex in unstructured mesh with graph neural networks [0.0]
  本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。 2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:10:16Z)
• A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations [4.984601297028257]
  ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。 本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。 本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
  論文  参考訳（メタデータ） (2022-12-30T04:10:01Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• FlowX: Towards Explainable Graph Neural Networks via Message Flows [59.025023020402365]
  グラフニューラルネットワーク(GNN)の動作メカニズム解明へのステップとして,その説明可能性について検討する。 本稿では,重要なメッセージフローを識別してGNNを説明するために,FlowXと呼ばれる新しい手法を提案する。 そこで我々は,多様な説明対象に向けて,フロースコアを学習するための情報制御学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-26T22:48:15Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Finite volume method network for acceleration of unsteady computational fluid dynamics: non-reacting and reacting flows [0.0]
  CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。 反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
  論文  参考訳（メタデータ） (2021-05-07T15:33:49Z)
• 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)
• Gradient-based Causal Structure Learning with Normalizing Flow [0.0]
  そこで本研究では,DAG-NFと呼ばれるスコアベース正規化フロー手法を提案する。 この方法は、特にフローベースの生成ニューラルネットワークにおいて、任意のニューラルネットワークに一般化することができる。
  論文  参考訳（メタデータ） (2020-10-07T00:55:47Z)
• 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)

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。