論文の概要: Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning
- arxiv url: http://arxiv.org/abs/2210.02339v2
- Date: Sat, 6 Jan 2024 22:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 00:52:12.183947
- Title: Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning
- Title（参考訳）: 乱流における粒子クラスタリング:深層学習による空間的・統計的特性の予測
- Authors: Yan-Mong Chan, Natascha Manger, Yin Li, Chao-Chin Yang, Zhaohuan Zhu,
Philip J. Armitage and Shirley Ho
- Abstract要約: 等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 6.91821181311687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the utility of deep learning for modeling the clustering of
particles that are aerodynamically coupled to turbulent fluids. Using a
Lagrangian particle module within the Athena++ hydrodynamics code, we simulate
the dynamics of particles in the Epstein drag regime within a periodic domain
of isotropic forced hydrodynamic turbulence. This setup is an idealized model
relevant to the collisional growth of micron to mm-sized dust particles in
early stage planet formation. The simulation data are used to train a U-Net
deep learning model to predict gridded three-dimensional representations of the
particle density and velocity fields, given as input the corresponding fluid
fields. The trained model qualitatively captures the filamentary structure of
clustered particles in a highly non-linear regime. We assess model fidelity by
calculating metrics of the density field (the radial distribution function) and
of the velocity field (the relative velocity and the relative radial velocity
between particles). Although trained only on the spatial fields, the model
predicts these statistical quantities with errors that are typically <10%. Our
results suggest that, given appropriately expanded training data, deep learning
could complement direct numerical simulations in predicting particle clustering
within turbulent flows.
- Abstract（参考訳）: 乱流に空気力学的に結合した粒子のクラスタリングをモデル化するための深層学習の有用性について検討する。
athena++流体力学コード内のラグランジアン粒子モジュールを用いて、等方的強制流体力学乱流の周期領域内のエプスタインドラッグレジームにおける粒子のダイナミクスをシミュレートする。
この設定は、初期の惑星形成におけるミクロンとミリサイズの塵粒子の衝突成長に関連する理想的なモデルである。
シミュレーションデータは、u-net深層学習モデルを訓練し、対応する流体場を入力として、粒子密度と速度場の格子状三次元表現を予測する。
訓練されたモデルでは、クラスター粒子のフィラメント構造を高度に非線形な方法で定性的に捉える。
本研究では,密度場(放射分布関数)および速度場(粒子間の相対速度と相対放射速度)の測定値を用いてモデル忠実度を評価する。
トレーニングは空間場のみで行われるが、モデルは通常10%の誤差でこれらの統計量を予測する。
以上の結果から,乱流中の粒子クラスタリングの予測において,深層学習が直接数値シミュレーションを補完する可能性が示唆された。
関連論文リスト
- Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。
提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-10-15T19:05:28Z) - Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。
本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。
車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文 参考訳（メタデータ） (2024-06-01T21:54:01Z) - HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
HelmFluidは流体の正確かつ解釈可能な予測器である。
ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。
HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
論文 参考訳（メタデータ） (2023-10-16T16:38:32Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - 3D-Spatiotemporal Forecasting the Expansion of Supernova Shells Using
Deep Learning toward High-Resolution Galaxy Simulations [0.0]
超新星(SNe)の短い統合タイムステップは、高分解能銀河シミュレーションにおいて深刻なボトルネックとなっている。
SN爆発後の殻膨張を予測するための深層学習モデルである3D-MIMを開発した。
論文 参考訳（メタデータ） (2023-01-31T19:00:32Z) - A Denoising Diffusion Model for Fluid Field Prediction [0.0]
本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。
拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。
ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
論文 参考訳（メタデータ） (2023-01-27T11:30:40Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - 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) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳（メタデータ） (2022-03-03T15:13:29Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z)
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。