論文の概要: Reduced-order modeling for parameterized large-eddy simulations of
atmospheric pollutant dispersion
- arxiv url: http://arxiv.org/abs/2208.01518v1
- Date: Tue, 2 Aug 2022 15:06:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:16:07.496919
- Title: Reduced-order modeling for parameterized large-eddy simulations of
atmospheric pollutant dispersion
- Title（参考訳）: 大気汚染物質分散のパラメータ化大渦シミュレーションのための低次モデリング
- Authors: Bastien X Nony, M\'elanie Rochoux, Thomas Jaravel (CERFACS), Didier
Lucor (LISN)
- Abstract要約: 大渦シミュレーション(LES)は、汚染物質濃度の空間的変動を正確に表現する可能性がある。
LESは、様々な大気および源のパラメータで気流とトレーサの分散がどのように変化するかを理解するために、展開するのに不当にコストがかかる。
本稿では, 適切な分解(POD)とガウス過程回帰(GPR)を組み合わせた非侵入的還元次数モデルを提案し, トレーサー濃度に関連する利害関係のLES場統計を予測した。
- 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: Mapping near-field pollutant concentration is essential to track accidental
toxic plume dispersion in urban areas. By solving a large part of the
turbulence spectrum, large-eddy simulations (LES) have the potential to
accurately represent pollutant concentration spatial variability. Finding a way
to synthesize this large amount of information to improve the accuracy of
lower-fidelity operational models (e.g. providing better turbulence closure
terms) is particularly appealing. This is a challenge in multi-query contexts,
where LES become prohibitively costly to deploy to understand how plume flow
and tracer dispersion change with various atmospheric and source parameters. To
overcome this issue, we propose a non-intrusive reduced-order model combining
proper orthogonal decomposition (POD) and Gaussian process regression (GPR) to
predict LES field statistics of interest associated with tracer concentrations.
GPR hyperpararameters are optimized component-by-component through a maximum a
posteriori (MAP) procedure informed by POD. We provide a detailed analysis of
the reducedorder model performance on a two-dimensional case study
corresponding to a turbulent atmospheric boundary-layer flow over a
surface-mounted obstacle. We show that near-source concentration
heterogeneities upstream of the obstacle require a large number of POD modes to
be well captured. We also show that the component-by-component optimization
allows to capture the range of spatial scales in the POD modes, especially the
shorter concentration patterns in the high-order modes. The reduced-order model
predictions remain acceptable if the learning database is made of at least
fifty to hundred LES snapshot providing a first estimation of the required
budget to move towards more realistic atmospheric dispersion applications.
- Abstract（参考訳）: 近隣の汚染物質濃度のマッピングは、都市部の有害なプルーム分散を追跡するのに不可欠である。
乱流スペクトルの大部分を解くことで、大渦シミュレーション(les)は汚染物質濃度空間変動を正確に表現することができる。
この大量の情報を合成して低忠実度操作モデル(例えば、より良い乱流閉鎖条件を提供する)の精度を向上させる方法を見つけることは特に魅力的である。
これはマルチクエリ環境での課題であり、LESは様々な大気パラメータとソースパラメータでプルームフローとトレーサ分散がどのように変化するかを理解するために、展開するのに不当にコストがかかる。
そこで本研究では, 正規直交分解法 (POD) とガウス過程回帰法 (GPR) を組み合わせて, トレーサ濃度に関連する利害関係のLES場統計を予測できる非侵入的縮小次モデルを提案する。
GPRハイパーパラメータは、PODによって通知される最大後部(MAP)手順により、コンポーネント単位で最適化される。
本研究では, 表面積障害物上の乱流境界層流に対応する2次元ケーススタディにおいて, 低次モデルの性能を詳細に解析する。
障害物の上流では, 大量のPODモードをうまく捕捉する必要があることが示されている。
また,成分別最適化により,podモード,特に高次モードにおけるより短い濃度パターンの空間スケール範囲をキャプチャできることを示した。
学習データベースが少なくとも50〜100 lesスナップショットで構成されている場合、より現実的な大気分散アプリケーションに移行するために必要な予算を最初に見積もる場合、減少次モデル予測は許容される。
関連論文リスト
- Stochastic Flow Matching for Resolving Small-Scale Physics [28.25905372253442]
気象などの物理科学では、超解答の小さな詳細が大きな課題となっている。
入力を潜在基底分布に符号化し、次いでフローマッチングを行い、小規模物理を生成する。
我々は現実世界のCWA気象データセットとPDEベースのコルモゴロフ気象データセットの両方について広範な実験を行った。
論文 参考訳（メタデータ） (2024-10-17T21:09:13Z) - Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。
微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。
5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文 参考訳（メタデータ） (2024-09-29T08:18:50Z) - Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳（メタデータ） (2023-10-30T21:27:53Z) - Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。
暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。
提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2023-06-21T18:49:22Z) - Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。
これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。
我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文 参考訳（メタデータ） (2023-06-20T03:05:28Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳（メタデータ） (2022-04-05T07:19:42Z) - Physics-aware deep neural networks for surrogate modeling of turbulent
natural convection [0.0]
Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。
標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。
50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
論文 参考訳（メタデータ） (2021-03-05T09:48:57Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。