Fugu-MT 論文翻訳(概要): DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations

論文の概要: DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations

arxiv url: http://arxiv.org/abs/2208.08956v1
Date: Thu, 18 Aug 2022 16:59:27 GMT
ステータス: 処理完了
システム内更新日: 2022-08-19 14:15:05.108880
Title: DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations
Title（参考訳）: DeepClouds.ai: 計算的に安価な直接数値シミュレーションを可能にするディープラーニング
Authors: Moumita Bhowmik, Manmeet Singh, Suryachandra Rao, Souvik Paul
Abstract要約: DeepClouds.aiは、上昇するクラウドDNS実験のアウトプットをシミュレートする3D-UNETである。この枠組みは、大気中の大きな物理的領域をシミュレーションすることで、乱流と雲の流れの科学をさらに発展させるのに使うことができる。
参考スコア（独自算出の注目度）: 1.3649494534428745
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Simulation of turbulent flows, especially at the edges of clouds in the atmosphere, is an inherently challenging task. Hitherto, the best possible computational method to perform such experiments is the Direct Numerical Simulation (DNS). DNS involves solving non-linear partial differential equations for fluid flows, also known as Navier-Stokes equations, on discretized grid boxes in a three-dimensional space. It is a valuable paradigm that has guided the numerical weather prediction models to compute rainfall formation. However, DNS cannot be performed for large domains of practical utility to the weather forecast community. Here, we introduce DeepClouds.ai, a 3D-UNET that simulates the outputs of a rising cloud DNS experiment. The problem of increasing the domain size in DNS is addressed by mapping an inner 3D cube to the complete 3D cube from the output of the DNS discretized grid simulation. Our approach effectively captures turbulent flow dynamics without having to solve the complex dynamical core. The baseline shows that the deep learning-based simulation is comparable to the partial-differential equation-based model as measured by various score metrics. This framework can be used to further the science of turbulence and cloud flows by enabling simulations over large physical domains in the atmosphere. It would lead to cascading societal benefits by improved weather predictions via advanced parameterization schemes.
Abstract（参考訳）: 特に大気中の雲の端で発生する乱流のシミュレーションは、本質的に難しい課題である。このような実験を行うのに最適な計算方法は、直接数値シミュレーション(DNS)である。 dnsは3次元空間内の離散格子箱上の流体流の非線形偏微分方程式(navier-stokes equation)を解くことを含む。降雨量を計算するために数値気象予測モデルを導いた貴重なパラダイムである。しかし、天気予報コミュニティにとって実用性の高い大規模ドメインではDNSは実行できない。本稿では,クラウドDNS実験の出力をシミュレーションする3D-UNETであるDeepClouds.aiを紹介する。 DNSの領域サイズを増大させる問題は、DNS離散グリッドシミュレーションの出力から内部の3D立方体を完全な3D立方体にマッピングすることで解決される。本手法は,複雑な力学コアを解決することなく,乱流のダイナミクスを効果的に捉える。ベースラインは、深層学習に基づくシミュレーションが、様々なスコア指標によって測定された部分微分方程式に基づくモデルに匹敵することを示している。このフレームワークは、大気中の大きな物理領域のシミュレーションを可能にして、乱流と雲の流れの科学をさらに深めるのに使うことができる。これは、高度なパラメータ化スキームによる天気予報の改善による社会的利益のカスケードにつながる。

関連論文リスト

Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文参考訳（メタデータ） (2024-05-31T20:05:17Z)
Three-dimensional granular flow simulation using graph neural network-based learned simulator [2.153852088624324]
グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。 GNSの速度は300倍の高忠実度数値シミュレータを上回る。
論文参考訳（メタデータ） (2023-11-13T15:54:09Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
Dynamic Deep Learning LES Closures: Online Optimization With Embedded DNS [0.0]
我々は、大規模シミュレーション(LES)におけるディープラーニングクロージャモデルのための新しいオンライントレーニング手法を開発した。深層学習クロージャモデルは,組込み直接数値シミュレーション(DNS)データを用いてLES計算中に動的に訓練される。オンライン最適化アルゴリズムは,LES組込みDNS計算における深層学習クロージャモデルを動的に学習するために開発された。
論文参考訳（メタデータ） (2023-03-04T06:20:47Z)
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)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Reconstructing High-resolution Turbulent Flows Using Physics-Guided Neural Networks [3.9548535445908928]
乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。大規模渦シミュレーション(LES)は計算量が少ないが、乱流輸送の全てのスケールを正確に捉えることはできない。 LES予測からDNSデータを再構築するための超解像技術に基づく新しいデータ駆動手法を構築した。
論文参考訳（メタデータ） (2021-09-06T03:01:24Z)
Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
論文参考訳（メタデータ） (2021-05-10T10:45:28Z)
Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文参考訳（メタデータ） (2021-01-28T19:10:00Z)
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)
Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。