論文の概要: Demystifying the Data Need of ML-surrogates for CFD Simulations

• arxiv url: http://arxiv.org/abs/2205.08355v1
• Date: Thu, 5 May 2022 04:37:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-22 11:43:14.141856
• Title: Demystifying the Data Need of ML-surrogates for CFD Simulations
• Title（参考訳）: cfdシミュレーションのためのml-surrogatesのデータニーズの解明
• Authors: Tongtao Zhang, Biswadip Dey, Krishna Veeraraghavan, Harshad Kulkarni, Amit Chakraborty
• Abstract要約: 客車室内の温度分布を予測するためのMLに基づく代理モデルを提案する。 その結果, トレーニングサイズが2000から200に減少しても, 予測精度は高く, 安定していることがわかった。 トレーニングには50個のCFDシミュレーションしか使われていないが、MLサロゲートによって予測される温度傾向はCFDシミュレーションの結果とよく一致している。
• 参考スコア（独自算出の注目度）: 3.0168882791480978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational fluid dynamics (CFD) simulations, a critical tool in various engineering applications, often require significant time and compute power to predict flow properties. The high computational cost associated with CFD simulations significantly restricts the scope of design space exploration and limits their use in planning and operational control. To address this issue, machine learning (ML) based surrogate models have been proposed as a computationally efficient tool to accelerate CFD simulations. However, a lack of clarity about CFD data requirements often challenges the widespread adoption of ML-based surrogates among design engineers and CFD practitioners. In this work, we propose an ML-based surrogate model to predict the temperature distribution inside the cabin of a passenger vehicle under various operating conditions and use it to demonstrate the trade-off between prediction performance and training dataset size. Our results show that the prediction accuracy is high and stable even when the training size is gradually reduced from 2000 to 200. The ML-based surrogates also reduce the compute time from ~30 minutes to around ~9 milliseconds. Moreover, even when only 50 CFD simulations are used for training, the temperature trend (e.g., locations of hot/cold regions) predicted by the ML-surrogate matches quite well with the results from CFD simulations.
• Abstract（参考訳）: 計算流体力学(CFD)シミュレーションは、様々な工学的応用において重要なツールであり、しばしばフロー特性を予測するのにかなりの時間と計算能力を必要とする。 CFDシミュレーションに関連した高い計算コストは、設計空間探索の範囲を著しく制限し、計画と運用管理における使用を制限する。 この問題に対処するために、CFDシミュレーションを高速化するための計算効率の良いツールとして、機械学習(ML)ベースのサロゲートモデルが提案されている。 しかしながら、cfdデータ要件の明確さの欠如は、設計エンジニアやcfd実践者の間でmlベースのサロゲートが広く採用されることにしばしば挑戦する。 本研究では,様々な運転条件下で客車室内の温度分布を予測し,予測性能とトレーニングデータセットサイズとのトレードオフを示すために,mlに基づくサロゲートモデルを提案する。 その結果,トレーニングサイズを2000から200に減らした場合でも,予測精度が高く安定していることがわかった。 mlベースのサーロゲートは計算時間を30分から9ミリ秒に短縮する。 さらに、トレーニングに50個のCFDシミュレーションしか使わなくても、MLサロゲートによって予測される温度トレンド(例えば、ホット/コールド領域の位置)は、CFDシミュレーションの結果とよく一致している。

関連論文リスト

• PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
  高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。 解像度が大きくなると、計算データ要求と時間の増加が比例する。 複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
  論文  参考訳（メタデータ） (2024-04-06T12:49:09Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Improving CFD simulations by local machine-learned correction [0.0]
  設計空間探索のための高忠実度計算流体力学(CFD)シミュレーションは非常に高価である。 この計算コスト/精度のトレードオフは、現代のCFDシミュレーションの大きな課題である。 離散化誤差を予測するために学習した機械学習モデルを用いて学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-28T22:20:42Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations [1.4150517264592128]
  種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。 ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。 我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
  論文  参考訳（メタデータ） (2021-12-13T05:08:55Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• 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)
• Application of an automated machine learning-genetic algorithm (AutoML-GA) coupled with computational fluid dynamics simulations for rapid engine design optimization [0.0]
  本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。 遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。 その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
  論文  参考訳（メタデータ） (2021-01-07T17:50:52Z)
• CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
  CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。 多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。 本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
  論文  参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。