論文の概要: Deep Learning Closure Models for Large-Eddy Simulation of Flows around Bluff Bodies

• arxiv url: http://arxiv.org/abs/2208.03498v1
• Date: Sat, 6 Aug 2022 11:25:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 14:20:29.373084
• Title: Deep Learning Closure Models for Large-Eddy Simulation of Flows around Bluff Bodies
• Title（参考訳）: ブラフ体まわりの流れの大規模渦シミュレーションのための深層学習閉鎖モデル
• Authors: Justin Sirignano and Jonathan F. MacArt
• Abstract要約: 大渦シミュレーション(LES)のための深層学習モデルを開発し, 中間レイノルズ数での矩形円筒まわりの非圧縮性流れについて評価した。 DL-LESモデルは, 直接数値シミュレーション(DNS)データと密に一致させるために, 随伴PDE最適化法を用いて訓練される。 本研究では, 抵抗係数, 平均流量, レイノルズ応力を予測するためのDL-LESモデルの精度について検討した。
• 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: A deep learning (DL) closure model for large-eddy simulation (LES) is developed and evaluated for incompressible flows around a rectangular cylinder at moderate Reynolds numbers. Near-wall flow simulation remains a central challenge in aerodynamic modeling: RANS predictions of separated flows are often inaccurate, while LES can require prohibitively small near-wall mesh sizes. The DL-LES model is trained using adjoint PDE optimization methods to match, as closely as possible, direct numerical simulation (DNS) data. It is then evaluated out-of-sample (i.e., for new aspect ratios and Reynolds numbers not included in the training data) and compared against a standard LES model (the dynamic Smagorinsky model). The DL-LES model outperforms dynamic Smagorinsky and is able to achieve accurate LES predictions on a relatively coarse mesh (downsampled from the DNS grid by a factor of four in each Cartesian direction). We study the accuracy of the DL-LES model for predicting the drag coefficient, mean flow, and Reynolds stress. A crucial challenge is that the LES quantities of interest are the steady-state flow statistics; for example, the time-averaged mean velocity $\bar{u}(x) = \displaystyle \lim_{t \rightarrow \infty} \frac{1}{t} \int_0^t u(s,x) dx$. Calculating the steady-state flow statistics therefore requires simulating the DL-LES equations over a large number of flow times through the domain; it is a non-trivial question whether an unsteady partial differential equation model whose functional form is defined by a deep neural network can remain stable and accurate on $t \in [0, \infty)$. Our results demonstrate that the DL-LES model is accurate and stable over large physical time spans, enabling the estimation of the steady-state statistics for the velocity, fluctuations, and drag coefficient of turbulent flows around bluff bodies relevant to aerodynamic applications.
• Abstract（参考訳）: 大渦シミュレーション(LES)のための深層学習(DL)クロージャモデルを開発し,適度なレイノルズ数で矩形円筒まわりの非圧縮性流れについて評価した。 壁近傍流れのシミュレーションは空力モデリングの中心的な課題であり、分離された流れの予測はしばしば不正確であり、lesは制限的に小さい壁近傍のメッシュサイズを必要とする。 dl-lesモデルは随伴pde最適化法を用いて訓練され、可能な限り直接数値シミュレーション(dns)データにマッチする。 その後、トレーニングデータに含まれない新しいアスペクト比とレイノルズ数について、サンプル外評価を行い、標準のLESモデル(動的スマゴリンスキーモデル)と比較する。 DL-LESモデルは動的Smagorinskyよりも優れており、比較的粗いメッシュ上で正確なLES予測を達成することができる(各カルテシャン方向の4倍の因子でDNSグリッドからダウンサンプリングされる)。 抵抗係数,平均流れ,レイノルズ応力を予測するためのdl-lesモデルの精度について検討した。 例えば、時間平均平均平均速度 $\bar{u}(x) = \displaystyle \lim_{t \rightarrow \infty} \frac{1}{t} \int_0^t u(s,x) dx$ である。 したがって、定常流統計を計算するためには、DL-LES方程式をドメイン内の多数のフロー時間でシミュレートする必要がある; 関数型が深いニューラルネットワークによって定義される非定常な偏微分方程式モデルが$t \in [0, \infty)$で安定かつ正確であるかどうかという、非自明な問題である。 その結果,dl-lesモデルは大きな物理時間にわたって正確で安定であり,空力的応用に関連するブラフ体まわりの乱流の流速,ゆらぎ,抗力係数の定常統計量の推定が可能となった。

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)
• Machine-Learned Closure of URANS for Stably Stratified Turbulence: Connecting Physical Timescales & Data Hyperparameters of Deep Time-Series Models [0.0]
  我々は、非定常レイノルズ平均ナビエストークス方程式のクロージャモデリングのための時系列機械学習(ML)法を開発した。 我々は, 均一密度勾配により均一で安定に成層された崩壊SSTを考察した。 MLモデルがSSTの力学を正確に捉えるために必要な最小情報の時間尺度の比率は,流れのレイノルズ数と一致することがわかった。
  論文  参考訳（メタデータ） (2024-04-24T18:58:00Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Dynamics of a data-driven low-dimensional model of turbulent minimal Couette flow [0.0]
  データ駆動型多様体動的モデリング法により, 乱流クーエット流れの記述が可能であることを示す。 フローの重要な特性を定量的にキャプチャする自由度が20ドル未満のモデルを構築します。 比較のために、モデルがPOD-Galerkinモデルより$sim$2000自由度で優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-11T18:50:08Z)
• Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
  流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。 この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。 我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
  論文  参考訳（メタデータ） (2022-10-29T23:05:39Z)
• 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)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Deep Learning to advance the Eigenspace Perturbation Method for Turbulence Model Uncertainty Quantification [0.0]
  乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。 我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
  論文  参考訳（メタデータ） (2022-02-11T08:06:52Z)
• Discrete Denoising Flows [87.44537620217673]
  分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。 他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。 そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
  論文  参考訳（メタデータ） (2021-07-24T14:47:22Z)
• 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)
• 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)

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。