論文の概要: Physics-Informed Transfer Learning Strategy to Accelerate Unsteady Fluid Flow Simulations

• arxiv url: http://arxiv.org/abs/2206.06817v1
• Date: Tue, 14 Jun 2022 13:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 15:33:37.029527
• Title: Physics-Informed Transfer Learning Strategy to Accelerate Unsteady Fluid Flow Simulations
• Title（参考訳）: 非定常流体シミュレーションを加速する物理情報伝達学習戦略
• Authors: Joongoo Jeon, Juhyeong Lee, Hamidreza Eivazi, Ricardo Vinuesa, Sung Joong Kim
• Abstract要約: 機械学習(ML)技術は業界全体で大きな注目を集めており、この大きな波は流体力学コミュニティにおける様々な関心を広めてきた。 本研究では,物理インフォームドトランスファー学習に基づく現実的なML戦略を開発し,非定常CFDデータセットを用いて,この戦略の精度と高速化性能を検証する。
• 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: Since the derivation of the Navier Stokes equations, it has become possible to numerically solve real world viscous flow problems (computational fluid dynamics (CFD)). However, despite the rapid advancements in the performance of central processing units (CPUs), the computational cost of simulating transient flows with extremely small time/grid scale physics is still unrealistic. In recent years, machine learning (ML) technology has received significant attention across industries, and this big wave has propagated various interests in the fluid dynamics community. Recent ML CFD studies have revealed that completely suppressing the increase in error with the increase in interval between the training and prediction times in data driven methods is unrealistic. The development of a practical CFD acceleration methodology that applies ML is a remaining issue. Therefore, the objectives of this study were developing a realistic ML strategy based on a physics-informed transfer learning and validating the accuracy and acceleration performance of this strategy using an unsteady CFD dataset. This strategy can determine the timing of transfer learning while monitoring the residuals of the governing equations in a cross coupling computation framework. Consequently, our hypothesis that continuous fluid flow time series prediction is feasible was validated, as the intermediate CFD simulations periodically not only reduce the increased residuals but also update the network parameters. Notably, the cross coupling strategy with a grid based network model does not compromise the simulation accuracy for computational acceleration. The simulation was accelerated by 1.8 times in the laminar counterflow CFD dataset condition including the parameter updating time. Open source CFD software OpenFOAM and open-source ML software TensorFlow were used in this feasibility study.
• Abstract（参考訳）: ナビエ・ストークス方程式の導出により、実世界の粘性流体問題(計算流体力学(cfd))を数値的に解くことができるようになった。 しかし、中央処理ユニット(CPU)の性能が急速に向上したにもかかわらず、過渡流を極端に小さな時間/グリッドスケールでシミュレーションする計算コストは依然として非現実的である。 近年、機械学習(ML)技術は産業全体に大きな注目を集めており、この大きな波は流体力学コミュニティにおける様々な関心を広めている。 近年のML CFD研究は、データ駆動手法におけるトレーニング時間と予測時間の間の間隔の増加によるエラーの増加を完全に抑制することは非現実的であることを示した。 MLを適用した実用的なCFD加速手法の開発が課題である。 そこで本研究の目的は,物理情報伝達学習に基づく現実的なML戦略を開発し,非定常CFDデータセットを用いて,この戦略の精度と加速性能を検証することである。 この戦略は、クロスカップリング計算フレームワークにおける支配方程式の残差を監視しながら、転送学習のタイミングを決定することができる。 その結果, 中間CFDシミュレーションは周期的に残留量を減少させるだけでなく, ネットワークパラメータも更新するので, 連続流動時系列予測が実現可能であるという仮説が得られた。 特に、グリッドベースのネットワークモデルとのクロスカップリング戦略は、計算加速度のシミュレーション精度を損なわない。 パラメータ更新時間を含むCFDデータセット条件において,シミュレーションを1.8回高速化した。 この実現可能性調査では、オープンソースのCFDソフトウェアOpenFOAMとオープンソースのMLソフトウェアTensorFlowが使用された。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
  本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。 目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。 圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
  論文  参考訳（メタデータ） (2024-09-11T10:38:30Z)
• Inverse-Free Fast Natural Gradient Descent Method for Deep Learning [52.0693420699086]
  本稿では,第1期における逆転のみを必要とする高速な自然勾配降下法を提案する。 FNGDは1次法の平均和と類似性を示し、FNGDの計算複雑性は1次法に匹敵する。
  論文  参考訳（メタデータ） (2024-03-06T05:13:28Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Learning to Accelerate Partial Differential Equations via Latent Global Evolution [64.72624347511498]
  The Latent Evolution of PDEs (LE-PDE) is a simple, fast and scalable method to accelerate the simulation and inverse optimization of PDEs。 我々は,このような潜在力学を効果的に学習し,長期的安定性を確保するために,新たな学習目標を導入する。 更新対象の寸法が最大128倍、速度が最大15倍向上し、競争精度が向上した。
  論文  参考訳（メタデータ） (2022-06-15T17:31:24Z)
• Demystifying the Data Need of ML-surrogates for CFD Simulations [3.0168882791480978]
  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。
  論文  参考訳（メタデータ） (2022-05-05T04:37:59Z)
• Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
  還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。 ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。 得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
  論文  参考訳（メタデータ） (2021-06-10T13:07:33Z)
• 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 Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。