論文の概要: Predicting fluid-structure interaction with graph neural networks
- arxiv url: http://arxiv.org/abs/2210.04193v2
- Date: Mon, 16 Oct 2023 12:46:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 06:50:02.058930
- Title: Predicting fluid-structure interaction with graph neural networks
- Title（参考訳）: グラフニューラルネットワークによる流体構造相互作用の予測
- Authors: Rui Gao, Rajeev K. 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回転同変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。
有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。
提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
- 参考スコア（独自算出の注目度）: 13.567118450260178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a rotation equivariant, quasi-monolithic graph neural network
framework for the reduced-order modeling of fluid-structure interaction
systems. With the aid of an arbitrary Lagrangian-Eulerian formulation, the
system states are evolved temporally with two sub-networks. The movement of the
mesh is reduced to the evolution of several coefficients via complex-valued
proper orthogonal decomposition, and the prediction of these coefficients over
time is handled by a single multi-layer perceptron. A finite element-inspired
hypergraph 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 modeled by the movement of the mesh on the solid-fluid interface;
hence it makes the proposed framework quasi-monolithic. The effectiveness of
the proposed framework is assessed on two prototypical fluid-structure systems,
namely the flow around an elastically-mounted cylinder, and the flow around a
hyperelastic plate attached to a fixed cylinder. The proposed framework tracks
the interface description and provides stable and accurate system state
predictions during roll-out for at least 2000 time steps, and even demonstrates
some capability in self-correcting erroneous predictions. The proposed
framework also enables direct calculation of the lift and drag forces using the
predicted fluid and mesh states, in contrast to existing convolution-based
architectures. The proposed reduced-order model via graph neural network has
implications for the development of physics-based digital twins concerning
moving boundaries and fluid-structure interactions.
- Abstract（参考訳）: 流体-構造相互作用系の低次モデリングのための回転同変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、系状態は2つのサブネットワークで時間的に進化する。
メッシュの移動は複素値の固有直交分解によっていくつかの係数の進化に還元され、これらの係数の時間的予測は単一の多層パーセプトロンによって処理される。
有限要素にインスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。
構造状態は固流体界面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、提案したフレームワークは準モノリシックである。
提案手法の有効性は,2つの原型流体構造システム,すなわち弾性載置シリンダまわりの流れと固定シリンダに取り付けられた超弾性板まわりの流れについて評価した。
提案されたフレームワークは、インターフェース記述を追跡し、少なくとも2000の時間ステップのロールアウト中に安定かつ正確なシステム状態予測を提供する。
提案フレームワークは,既存の畳み込みに基づくアーキテクチャとは対照的に,予測流体とメッシュ状態を用いてリフトとドラッグの力を直接計算することを可能にする。
グラフニューラルネットワークによる低次モデルの提案は、移動境界と流体構造相互作用に関する物理ベースのディジタルツインの開発に影響を及ぼす。
関連論文リスト
- 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) - Constrained Block Nonlinear Neural Dynamical Models [1.3163098563588727]
既知の優先度によって調整されたニューラルネットワークモジュールは、非線形ダイナミクスを持つシステムを表現するために効果的に訓練および結合することができる。
提案手法は,入力,状態,出力のダイナミクスを表現するニューラルネットワークブロックで構成され,ネットワーク重みとシステム変数に制約を課す。
3つの非線形システムのシステム識別タスクにおける提案アーキテクチャと学習手法の性能評価を行った。
論文 参考訳（メタデータ） (2021-01-06T04:27:54Z) - 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。