論文の概要: 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
- arxiv url: http://arxiv.org/abs/2210.16248v1
- Date: Fri, 28 Oct 2022 16:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:36:06.878939
- Title: 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
- Title(参考訳): 非均一メッシュ上の乱流非予混合燃焼に対する物理インフォーム型超解像生成逆数ネットワークの適用と加速シミュレーションワークフローの実証
- Authors: Mathis Bode
- Abstract要約: 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。
- 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: This paper extends the methodology to use physics-informed enhanced
super-resolution generative adversarial networks (PIESRGANs) for LES subfilter
modeling in turbulent flows with finite-rate chemistry and shows a successful
application to a non-premixed temporal jet case. This is an important topic
considering the need for more efficient and carbon-neutral energy devices to
fight the climate change. Multiple a priori and a posteriori results are
presented and discussed. As part of this, the impact of the underlying mesh on
the prediction quality is emphasized, and a multi-mesh approach is developed.
It is demonstrated how LES based on PIESRGAN can be employed to predict cases
at Reynolds numbers which were not used for training. Finally, the amount of
data needed for a successful prediction is elaborated.
- Abstract(参考訳): 本稿では, 有限レート化学を用いた乱流中におけるLESサブフィルタモデリングのための物理インフォームド超解像生成対向ネットワーク (PIESRGANs) の利用法を拡張し, 非予混合時空ジェットケースへの適用例を示す。
これは、気候変動に対抗するため、より効率的で炭素ニュートラルなエネルギーデバイスの必要性を考える上で重要なトピックである。
複数の前科と後科の結果が提示され、議論される。
これにより、基盤となるメッシュが予測品質に与える影響が強調され、マルチメッシュアプローチが開発される。
ピエセルガンに基づくlesを用いて,訓練に使用されていないレイノルズ数における症例を予測する方法が実証された。
最後に、成功した予測に必要なデータ量について詳述する。
関連論文リスト
- Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - 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) - 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) - How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。
温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
論文 参考訳(メタデータ) (2022-05-27T11:06:56Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - DCTRGAN: Improving the Precision of Generative Models with Reweighting [1.2622634782102324]
深部生成モデルにポストホック補正を導入し,その忠実度をさらに向上する。
この補正は、生成された例に適用できる再重み付け関数の形を取る。
重み付き GAN の例は, 統計的パワーに大きな損失を伴わずに, 生成したサンプルの精度を著しく向上することを示した。
論文 参考訳(メタデータ) (2020-09-03T18:00:27Z) - 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)
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。