論文の概要: Deep Reinforcement Learning for Turbulence Modeling in Large Eddy
Simulations
- arxiv url: http://arxiv.org/abs/2206.11038v1
- Date: Tue, 21 Jun 2022 07:25:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 14:47:50.806168
- Title: Deep Reinforcement Learning for Turbulence Modeling in Large Eddy
Simulations
- Title(参考訳): 大渦シミュレーションにおける乱流モデリングのための深部強化学習
- Authors: Marius Kurz, Philipp Offenh\"auser, Andrea Beck
- Abstract要約: 本研究では,拡張学習フレームワークを用いて,暗黙的にフィルタされた大渦シミュレーションのための最適渦視率を求める。
訓練されたモデルが長期安定なシミュレーションを提供し、精度で確立された解析モデルより優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Over the last years, supervised learning (SL) has established itself as the
state-of-the-art for data-driven turbulence modeling. In the SL paradigm,
models are trained based on a dataset, which is typically computed a priori
from a high-fidelity solution by applying the respective filter function, which
separates the resolved and the unresolved flow scales. For implicitly filtered
large eddy simulation (LES), this approach is infeasible, since here, the
employed discretization itself acts as an implicit filter function. As a
consequence, the exact filter form is generally not known and thus, the
corresponding closure terms cannot be computed even if the full solution is
available. The reinforcement learning (RL) paradigm can be used to avoid this
inconsistency by training not on a previously obtained training dataset, but
instead by interacting directly with the dynamical LES environment itself. This
allows to incorporate the potentially complex implicit LES filter into the
training process by design. In this work, we apply a reinforcement learning
framework to find an optimal eddy-viscosity for implicitly filtered large eddy
simulations of forced homogeneous isotropic turbulence. For this, we formulate
the task of turbulence modeling as an RL task with a policy network based on
convolutional neural networks that adapts the eddy-viscosity in LES dynamically
in space and time based on the local flow state only. We demonstrate that the
trained models can provide long-term stable simulations and that they
outperform established analytical models in terms of accuracy. In addition, the
models generalize well to other resolutions and discretizations. We thus
demonstrate that RL can provide a framework for consistent, accurate and stable
turbulence modeling especially for implicitly filtered LES.
- Abstract(参考訳): 過去数年間、教師あり学習(SL)は、データ駆動乱流モデリングの最先端技術として確立されてきた。
SLパラダイムでは、各フィルタ関数を適用し、解法と未解決フロースケールを分離することにより、一般に高忠実度解から事前計算されるデータセットに基づいてモデルを訓練する。
暗黙的にフィルタされた大渦シミュレーション(les)では、このアプローチは実現不可能である。
その結果、正確なフィルタ形式は一般には知られていないため、完全な解が得られても対応する閉包項は計算できない。
強化学習(rl)パラダイムは、事前に取得したトレーニングデータセットではなく、動的les環境自体と直接対話することで、この矛盾を回避するために使用することができる。
これにより、潜在的に複雑な暗黙のlesフィルタを設計によってトレーニングプロセスに組み込むことができる。
本研究では, 強制等方性乱流の暗黙的にフィルタされた大規模渦シミュレーションに対して, 最適な渦粘性を求めるために強化学習フレームワークを適用した。
そこで我々は, 局所フロー状態のみに基づいて, LESの渦粘度を動的に適用する畳み込みニューラルネットワークに基づくポリシーネットワークを用いて, RLタスクとして乱流モデリングのタスクを定式化する。
訓練されたモデルが長期安定シミュレーションを提供し、精度で確立された解析モデルより優れていることを示す。
さらに、モデルは他の解像度や離散化によく当てはまる。
したがって、特に暗黙のフィルタ付きlesに対して、rlは一貫性、正確、安定な乱流モデリングのためのフレームワークを提供できることを実証する。
関連論文リスト
- A Priori Uncertainty Quantification of Reacting Turbulence Closure
Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳(メタデータ) (2024-02-28T22:19:55Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳(メタデータ) (2024-01-17T09:01:29Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Toward Discretization-Consistent Closure Schemes for Large Eddy
Simulation Using Reinforcement Learning [0.0]
本研究では,大渦シミュレーション(LES)のための離散化整合閉包法の開発手法を提案する。
LES閉鎖モデルの係数を適応させるタスクはマルコフ決定プロセスとしてフレーム化され、強化学習(RL)を用いて後続的に解決される。
新たに派生したすべてのモデルは、異なる離散化と解像度のために従来のモデルにマッチするか、より優れる正確な結果を得る。
論文 参考訳(メタデータ) (2023-09-12T14:20:12Z) - Accurate deep learning sub-grid scale models for large eddy simulations [0.0]
大型渦流シミュレーション(LES)のために開発されたサブグリッドスケール(SGS)乱流モデルについて述べる。
彼らの開発には、物理インフォームド・ロバストで効率的なDeep Learning (DL)アルゴリズムの定式化が必要だった。
2つの摩擦レイノルズ数における正準流路流れの直接シミュレーションによるデータの明示的なフィルタリングは、訓練と試験のための正確なデータを提供した。
論文 参考訳(メタデータ) (2023-07-19T15:30:06Z) - Simplifying Model-based RL: Learning Representations, Latent-space
Models, and Policies with One Objective [142.36200080384145]
自己整合性を維持しつつ高いリターンを達成するために,潜在空間モデルとポリシーを協調的に最適化する単一目的を提案する。
得られたアルゴリズムは, モデルベースおよびモデルフリーRL手法のサンプル効率に適合するか, 改善することを示した。
論文 参考訳(メタデータ) (2022-09-18T03:51:58Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳(メタデータ) (2021-08-04T07:07:47Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve
Optimism, Embrace Virtual Curvature [61.22680308681648]
決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。
非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-08T12:41:56Z) - Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。
本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。
提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-10-19T14:19:42Z)
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。