論文の概要: Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Finite-Rate-Chemistry Flows and Predicting Lean
Premixed Gas Turbine Combustors
- arxiv url: http://arxiv.org/abs/2210.16219v1
- Date: Fri, 28 Oct 2022 15:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:36:31.397590
- Title: Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Finite-Rate-Chemistry Flows and Predicting Lean
Premixed Gas Turbine Combustors
- Title（参考訳）: 物理インフォームド型高分解能ガスタービン燃焼器の有限レート化学流れへの適用
- Authors: Mathis Bode
- Abstract要約: 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。
- 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: The accurate prediction of small scales in underresolved flows is still one
of the main challenges in predictive simulations of complex configurations.
Over the last few years, data-driven modeling has become popular in many fields
as large, often extensively labeled datasets are now available and training of
large neural networks has become possible on graphics processing units (GPUs)
that speed up the learning process tremendously. In fact, the successful
application of deep neural networks in fluid dynamics, such as for
underresolved reactive flows, is still challenging. This work advances the
recently introduced PIESRGAN to reactive finite-rate-chemistry flows. However,
since combustion chemistry typically acts on the smallest scales, the original
approach needs to be extended. Therefore, the modeling approach of PIESRGAN is
modified to accurately account for the challenges in the context of laminar
finite-rate-chemistry flows. The modified PIESRGAN-based model gives good
agreement in a priori and a posteriori tests in a laminar lean premixed
combustion setup. Furthermore, a reduced PIESRGAN-based model is presented that
solves only the major species on a reconstructed field and employs PIERSGAN
lookup for the remaining species, utilizing staggering in time. The advantages
of the discriminator-supported training are shown, and the usability of the new
model demonstrated in the context of a model gas turbine combustor.
- Abstract（参考訳）: 未解決フローにおける小さなスケールの正確な予測は、複雑な構成の予測シミュレーションにおける大きな課題の1つである。
ここ数年、データ駆動モデリングが多くの分野で人気を博し、多くのラベル付きデータセットが利用可能になり、大きなニューラルネットワークのトレーニングがgpu(graphics processing unit)上で可能になり、学習プロセスが大幅にスピードアップした。
実際、未解決のリアクティブフローなど、流体力学におけるディープニューラルネットワークの応用は依然として困難である。
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。
しかし、燃焼化学は一般に最小のスケールで作用するため、元のアプローチを拡張する必要がある。
したがって、PIESRGANのモデリングアプローチは、ラミナー有限レート化学フローの文脈における課題を正確に説明するために修正される。
改良型piesrgan-based modelは, 層状リーン予混合燃焼装置において, 事前および後方試験において良好な一致を示した。
さらに, PIESRGAN を用いた縮小モデルを用いて, 復元されたフィールド上の主要種のみを解き, 残りの種について PIERSGAN を検索し, 時間的滞留を生かした。
判別器支援訓練の利点が示され, モデルガスタービン燃焼器の文脈において, 新モデルのユーザビリティが実証された。
関連論文リスト
- Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural
Networks [0.3914676152740142]
我々は,CO$$ plumeマイグレーションに対する断層の影響を捉えるグラフベースのニューラルモデルを開発した。
本研究では, 断層を有する合成貯留層において, ガス飽和度と細孔圧力の経時的変化を正確に予測できることを実証した。
この研究は、複雑な断層と破壊を伴う地下流れを正確にかつ迅速にモデル化するためのGNNベースの手法の可能性を強調している。
論文 参考訳（メタデータ） (2023-06-16T06:47:47Z) - 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 Turbulent Non-Premixed Combustion on Non-Uniform
Meshes and Demonstration of an Accelerated Simulation Workflow [0.0]
本稿では,LESサブフィルタモデリングに物理インフォームドされた超高分解能生成逆数ネットワーク(PIESRGAN)を使用する手法を拡張した。
これは、非プレミックス時空ジェットケースへの成功例を示す。
論文 参考訳（メタデータ） (2022-10-28T16:27:14Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data [0.0]
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。
論文 参考訳（メタデータ） (2022-10-28T15:27:46Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-09T17:12:32Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳（メタデータ） (2022-02-13T04:56:18Z) - 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) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - 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) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z)
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。