論文の概要: Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data
- arxiv url: http://arxiv.org/abs/2210.16206v1
- Date: Fri, 28 Oct 2022 15:27:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:37:01.852260
- Title: Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data
- Title（参考訳）: 物理インフォームド超解像生成逆数ネットワークの乱流予混合燃焼およびエンジンライク火炎カーネル直接数値データへの適用
- Authors: Mathis Bode and Michael Gauding and Dominik Goeb and Tobias
Falkenstein and Heinz Pitsch
- Abstract要約: この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。
その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Models for finite-rate-chemistry in underresolved flows still pose one of the
main challenges for predictive simulations of complex configurations. The
problem gets even more challenging if turbulence is involved. This work
advances the recently developed PIESRGAN modeling approach to turbulent
premixed combustion. For that, the physical information processed by the
network and considered in the loss function are adjusted, the training process
is smoothed, and especially effects from density changes are considered. The
resulting model provides good results for a priori and a posteriori tests on
direct numerical simulation data of a fully turbulent premixed flame kernel.
The limits of the modeling approach are discussed. Finally, the model is
employed to compute further realizations of the premixed flame kernel, which
are analyzed with a scale-sensitive framework regarding their cycle-to-cycle
variations. The work shows that the data-driven PIESRGAN subfilter model can
very accurately reproduce direct numerical simulation data on much coarser
meshes, which is hardly possible with classical subfilter models, and enables
studying statistical processes more efficiently due to the smaller computing
cost.
- Abstract（参考訳）: 未解決流れにおける有限速度化学のモデルは、複雑な構成の予測シミュレーションにおいて大きな課題の1つである。
乱気流が絡むと、問題はさらに難しくなります。
この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。
そのため、ネットワークが処理し、損失関数で考慮した物理情報を調整し、トレーニングプロセスを平滑化し、特に密度変化の影響を考慮する。
その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
モデリングアプローチの限界について論じる。
最後に, このモデルを用いて, サイクル・ツー・サイクルの変動について, スケール・センシティブなフレームワークを用いて解析し, 予混合火炎核のさらなる実現を推算する。
データ駆動型PIESRGANサブフィルタモデルは、従来のサブフィルタモデルでは不可能な多くの粗いメッシュ上での直接数値シミュレーションデータを非常に正確に再現でき、計算コストが小さくなるため、統計処理をより効率的に研究できることを示す。
関連論文リスト
- Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence [3.0954913678141627]
フーリエ・ニューラル演算子(FNO)に基づくモデルと偏微分方程式(PDE)を組み合わせれば,流体力学シミュレーションを高速化できる。
また、乱流の長期シミュレーションのために、機械学習モデルによって回避される必要のある純粋にデータ駆動アプローチの落とし穴についても論じる。
論文 参考訳（メタデータ） (2024-09-23T02:02:02Z) - 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) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - 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) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳（メタデータ） (2022-12-24T12:59:41Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Finite-Rate-Chemistry Flows and Predicting Lean
Premixed Gas Turbine Combustors [0.0]
この研究は、最近導入されたPIESRGANを反応性有限レート化学フローへと前進させる。
The modified PIESRGAN-based model gives good agreement in a priori and a reari tests in a laminar lean premixed combustion setup。
論文 参考訳（メタデータ） (2022-10-28T15:48:26Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Interpretable Data-driven Methods for Subgrid-scale Closure in LES for
Transcritical LOX/GCH4 Combustion [0.0]
本研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズムからストレスモデルを評価することである。
特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
論文 参考訳（メタデータ） (2021-03-11T00:54:50Z) - 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)
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。