論文の概要: Quasi-Monolithic Graph Neural Network for Fluid-Structure Interaction
- arxiv url: http://arxiv.org/abs/2210.04193v1
- Date: Sun, 9 Oct 2022 07:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:33:38.784296
- Title: Quasi-Monolithic Graph Neural Network for Fluid-Structure Interaction
- Title（参考訳）: 流体構造相互作用のための準モノリシックグラフニューラルネットワーク
- Authors: Rui Gao, Rajeev Jaiman
- Abstract要約: 本稿では,流体-構造相互作用系の低次モデリングのための準モノリシックグラフニューラルネットワークフレームワークを提案する。
実測データとしてフルオーダーフロースナップショットと変位を用いて,結合流体構造力学を学習し,推定する。
- 参考スコア（独自算出の注目度）: 5.888646114353371
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using convolutional neural networks, deep learning-based reduced-order models
have demonstrated great potential in accelerating the simulations of coupled
fluid-structure systems for downstream optimization and control tasks. However,
these networks have to operate on a uniform Cartesian grid due to the inherent
restriction of convolutions, leading to difficulties in extracting fine
physical details along a fluid-structure interface without excessive
computational burden. In this work, we present a quasi-monolithic graph neural
network framework for the reduced-order modelling of fluid-structure
interaction systems. With the aid of an arbitrary Lagrangian-Eulerian
formulation, the mesh and fluid states are evolved temporally with two
sub-networks. The movement of the mesh is reduced to the evolution of several
coefficients via proper orthogonal decomposition, and these coefficients are
propagated through time via a multi-layer perceptron. A graph neural network is
employed to predict the evolution of the fluid state based on the state of the
whole system. The structural state is implicitly modelled by the movement of
the mesh on the fluid-structure boundary; hence it makes the proposed
data-driven methodology quasi-monolithic. The effectiveness of the proposed
quasi-monolithic graph neural network architecture is assessed on a
prototypical fluid-structure system of the flow around an elastically-mounted
cylinder. We use the full-order flow snapshots and displacements as target
physical data to learn and infer coupled fluid-structure dynamics. The proposed
framework tracks the interface description and provides the state predictions
during roll-out with acceptable accuracy. We also directly extract the lift and
drag forces from the predicted fluid and mesh states, in contrast to existing
convolution-based architectures.
- Abstract（参考訳）: 畳み込みニューラルネットワークを用いて、深層学習に基づくダウンオーダーモデルは、下流最適化と制御タスクのための結合流体構造系のシミュレーションを加速する大きな可能性を示している。
しかしながら、これらのネットワークは畳み込みが本質的に制限されているため、一様デカルト格子上で動作しなければならず、過剰な計算負荷を伴わずに流体-構造界面に沿って微細な物理的詳細を抽出することが困難となる。
本研究では,流体-構造相互作用系の低次モデリングのための準モノリシックグラフニューラルネットワークフレームワークを提案する。
任意のラグランジアン-オイラーの定式化の支援により、メッシュ状態と流体状態は2つのサブネットワークで時間的に進化する。
メッシュの運動は、適切な直交分解によっていくつかの係数の進化に還元され、これらの係数は多層パーセプトロンを介して時間を通して伝播される。
システム全体の状態に基づいて流動状態の進化を予測するためにグラフニューラルネットワークを用いる。
構造状態は、流体構造境界上のメッシュの移動によって暗黙的にモデル化されるため、提案したデータ駆動の方法論は準モノリシックである。
提案する準モノリシックグラフニューラルネットワークアーキテクチャの有効性を,弾性載置シリンダまわりの流れの原型流体構造系で評価した。
実測データとしてフルオーダーフロースナップショットと変位を用いて,結合流体構造力学を学習し,推定する。
提案フレームワークは,インターフェース記述を追跡し,ロールアウト中の状態予測を許容精度で提供する。
また、既存の畳み込みベースのアーキテクチャとは対照的に、予測された流体とメッシュ状態からリフトとドラッグの力を直接抽出します。
関連論文リスト
- Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。
本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
論文 参考訳（メタデータ） (2025-02-11T22:14:30Z) - Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。
既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。
WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
論文 参考訳（メタデータ） (2023-09-07T06:41:15Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Piecewise-Velocity Model for Learning Continuous-time Dynamic Node
Representations [0.0]
連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。
超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。
リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
論文 参考訳（メタデータ） (2022-12-23T13:57:56Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Graph-Coupled Oscillator Networks [23.597444325599835]
Graph-Coupled Networks (GraphCON)は、グラフのディープラーニングのための新しいフレームワークである。
我々のフレームワークは,様々なグラフベースの学習タスクにおける最先端技術に関して,競争力のあるパフォーマンスを提供する。
論文 参考訳（メタデータ） (2022-02-04T18:29:49Z) - Deep Learning for Stability Analysis of a Freely Vibrating Sphere at
Moderate Reynolds Number [0.0]
本稿では,非定常な3次元流体構造相互作用系の安定性予測のための深層学習に基づくリダクションオーダーモデル(DL-ROM)を提案する。
提案したDL-ROMは非線形状態空間モデルの形式を持ち、長い短期記憶を持つリカレントニューラルネットワーク(LSTM)を用いる。
LSTMネットワークを固有系実現アルゴリズム (ERA) と統合することにより、低次安定性解析のためのデータ駆動状態空間モデルを構築する。
論文 参考訳（メタデータ） (2021-12-18T06:41:02Z) - Predicting Rigid Body Dynamics using Dual Quaternion Recurrent Neural
Networks with Quaternion Attention [0.0]
本稿では,情報のコンパクトな表現を可能にする2つの四元数に基づくニューラルネットワークアーキテクチャを提案する。
剛体運動に固有の動的挙動を網羅するため,ニューラルネットワークにおける再帰的アーキテクチャを提案する。
個々の剛体間の相互作用と外部入力を効率的にモデル化するために、双対四元数代数を用いた新しい注意機構を取り入れる。
論文 参考訳（メタデータ） (2020-11-17T16:10:49Z) - 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) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。