論文の概要: Advancing Reacting Flow Simulations with Data-Driven Models
- arxiv url: http://arxiv.org/abs/2209.02051v1
- Date: Mon, 5 Sep 2022 16:48:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 13:13:26.409258
- Title: Advancing Reacting Flow Simulations with Data-Driven Models
- Title(参考訳): データ駆動モデルによる反応流シミュレーションの改善
- Authors: Kamila Zdyba{\l}, Giuseppe D'Alessio, Gianmarco Aversano, Mohammad
Rafi Malik, Axel Coussement, James C. Sutherland, Alessandro Parente
- Abstract要約: マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
- 参考スコア(独自算出の注目度): 50.9598607067535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of machine learning algorithms to predict behaviors of complex
systems is booming. However, the key to an effective use of machine learning
tools in multi-physics problems, including combustion, is to couple them to
physical and computer models. The performance of these tools is enhanced if all
the prior knowledge and the physical constraints are embodied. In other words,
the scientific method must be adapted to bring machine learning into the
picture, and make the best use of the massive amount of data we have produced,
thanks to the advances in numerical computing. The present chapter reviews some
of the open opportunities for the application of data-driven reduced-order
modeling of combustion systems. Examples of feature extraction in turbulent
combustion data, empirical low-dimensional manifold (ELDM) identification,
classification, regression, and reduced-order modeling are provided.
- Abstract(参考訳): 複雑なシステムの振る舞いを予測するために機械学習アルゴリズムが使われています。
しかし、燃焼を含む多物理問題に機械学習ツールを効果的に活用する鍵は、それらを物理モデルとコンピュータモデルに結合することである。
これらのツールの性能は、すべての事前知識と物理的な制約が具体化されていれば向上する。
言い換えれば、この科学的手法は、機械学習を画像に取り入れ、我々が生成した膨大なデータを最大限に活用するためには、数値計算の進歩のおかげで適応する必要がある。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
乱流燃焼データ, 経験的低次元多様体(ELDM)識別, 分類, 回帰, 縮小次モデリングにおける特徴抽出の例を示す。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - CoDBench: A Critical Evaluation of Data-driven Models for Continuous
Dynamical Systems [8.410938527671341]
微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。
具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。
我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
論文 参考訳(メタデータ) (2023-10-02T21:27:54Z) - Meta-Learning for Airflow Simulations with Graph Neural Networks [3.52359746858894]
本稿では,OoD(Out-of-distribution)サンプルにおける学習モデルの性能向上のためのメタラーニング手法を提案する。
具体的には,各気翼上のCFD内の気流シミュレーションをメタラーニング問題として設定し,一つの気翼形状で定義された各例を個別のタスクとして扱う。
学習モデルのOoD一般化性能向上のための提案手法の有効性を実験的に検証した。
論文 参考訳(メタデータ) (2023-06-18T19:25:13Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳(メタデータ) (2023-05-16T17:31:50Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Physics-informed linear regression is a competitive approach compared to
Machine Learning methods in building MPC [0.8135412538980287]
総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。
また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
論文 参考訳(メタデータ) (2021-10-29T16:56:05Z) - Size doesn't matter: predicting physico- or biochemical properties based
on dozens of molecules [0.0]
本論文は,データ不足を伴う対象特性のモデルの性能を著しく改善したことを示す。
また,データセット構成がモデル品質および結果モデルの適用性領域に及ぼす影響についても検討した。
論文 参考訳(メタデータ) (2021-07-22T18:57:24Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳(メタデータ) (2020-11-14T02:03:08Z)
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。