論文の概要: Combined space-time reduced-order model with 3D deep convolution for extrapolating fluid dynamics

• arxiv url: http://arxiv.org/abs/2211.00307v1
• Date: Tue, 1 Nov 2022 07:14:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 14:44:40.014761
• Title: Combined space-time reduced-order model with 3D deep convolution for extrapolating fluid dynamics
• Title（参考訳）: 3次元深部畳み込みを伴う時空還元次モデルによる外挿流体力学
• Authors: Indu Kant Deo, Rui Gao, Rajeev Jaiman
• Abstract要約: 近年,深層学習に基づく低次モデルがシミュレーションに有効であることが示されている。 本研究では,ネットワークアーキテクチャを改良し,空間物理学を暗黙のバイアスとして統合することにより,外挿性能の向上を目指す。 3次元畳み込みネットワークの有効性を実証するために, 円柱を過ぎる流れの層流条件におけるベンチマーク問題を考察した。
• 参考スコア（独自算出の注目度）: 4.984601297028257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is a critical need for efficient and reliable active flow control strategies to reduce drag and noise in aerospace and marine engineering applications. While traditional full-order models based on the Navier-Stokes equations are not feasible, advanced model reduction techniques can be inefficient for active control tasks, especially with strong non-linearity and convection-dominated phenomena. Using convolutional recurrent autoencoder network architectures, deep learning-based reduced-order models have been recently shown to be effective while performing several orders of magnitude faster than full-order simulations. However, these models encounter significant challenges outside the training data, limiting their effectiveness for active control and optimization tasks. In this study, we aim to improve the extrapolation capability by modifying network architecture and integrating coupled space-time physics as an implicit bias. Reduced-order models via deep learning generally employ decoupling in spatial and temporal dimensions, which can introduce modeling and approximation errors. To alleviate these errors, we propose a novel technique for learning coupled spatial-temporal correlation using a 3D convolution network. We assess the proposed technique against a standard encoder-propagator-decoder model and demonstrate a superior extrapolation performance. To demonstrate the effectiveness of 3D convolution network, we consider a benchmark problem of the flow past a circular cylinder at laminar flow conditions and use the spatio-temporal snapshots from the full-order simulations. Our proposed 3D convolution architecture accurately captures the velocity and pressure fields for varying Reynolds numbers. Compared to the standard encoder-propagator-decoder network, the spatio-temporal-based 3D convolution network improves the prediction range of Reynolds numbers outside of the training data.
• Abstract（参考訳）: 航空宇宙工学および海洋工学の応用において、ドラッグとノイズを減らすために効率的で信頼性の高いアクティブフロー制御戦略が必要である。 ナビエ・ストークス方程式に基づく従来の全階モデルでは実現不可能であるが、特に強い非線形性や対流支配現象において、能動制御タスクでは高度なモデル還元手法は非効率である。 畳み込み型リカレントオートエンコーダネットワークアーキテクチャを用いて、深層学習に基づくダウンオーダモデルは、高次シミュレーションよりも数桁高速に実行しながら有効であることが最近示されている。 しかし、これらのモデルはトレーニングデータ以外の重要な課題に直面し、アクティブな制御と最適化タスクの有効性を制限する。 本研究では,ネットワークアーキテクチャを改良し,結合した時空物理を暗黙のバイアスとして統合することにより,外挿性能の向上を目指す。 深層学習による低次モデルは一般に空間次元と時間次元のデカップリングを用いており、モデリングと近似誤差を導入することができる。 これらの誤りを軽減するために,3次元畳み込みネットワークを用いた空間時間相関学習手法を提案する。 提案手法を標準エンコーダ-プロパゲータ-デコーダモデルに対して評価し,優れた外挿性能を示す。 3次元畳み込みネットワークの有効性を実証するために, 円柱を通り抜ける円柱内の流れのベンチマーク問題を考察し, フルオーダーシミュレーションによる時空間スナップショットを用いた。 提案した3次元畳み込みアーキテクチャは, 種々のレイノルズ数に対する速度場と圧力場を正確に捉える。 標準的なエンコーダ・プロパゲータ・デコーダネットワークと比較して、時空間ベースの3D畳み込みネットワークはトレーニングデータ以外のレイノルズ数の予測範囲を改善する。

関連論文リスト

• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Learning Nonlinear Projections for Reduced-Order Modeling of Dynamical Systems using Constrained Autoencoders [0.0]
  制約付き自己エンコーダニューラルネットワークによって記述された非線形射影のクラスを導入し,データから多様体と射影繊維の両方を学習する。 我々のアーキテクチャでは、エンコーダがデコーダの左逆であることを保証するために、可逆的アクティベーション関数と生物直交重み行列を用いる。 また,高速なダイナミックスと非正規性を考慮した斜め射影ファイバの学習を促進するために,新しいダイナミックス対応コスト関数を導入する。
  論文  参考訳（メタデータ） (2023-07-28T04:01:48Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Uncertainty quantification and inverse modeling for subsurface flow in 3D heterogeneous formations using a theory-guided convolutional encoder-decoder network [5.018057056965207]
  複数の垂直生産井を有する動的3次元地下単相流問題に対する代理モデルを構築した。 代理モデルは任意のタイミングで全体の形成を効率的に推算する。 ウェル生産率またはボトムホール圧力はピースマンの公式に基づいて決定できる。
  論文  参考訳（メタデータ） (2021-11-14T10:11:46Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• Deep Learning for Reduced Order Modelling and Efficient Temporal Evolution of Fluid Simulations [0.0]
  Reduced Order Modelling (ROM) は、高次力学系の低次で計算コストの低い表現を作成するために広く用いられている。 そこで我々は,非線形投影が可能なニューラルネットワークを構築するために,新しい深層学習フレームワークDL-ROMを開発した。 我々のモデルDL-ROMは、学習したROMから高精度な再構成を生成でき、学習した縮小状態を時間的にトラバースすることで、将来の時間ステップを効率的に予測することができる。
  論文  参考訳（メタデータ） (2021-07-09T17:21:53Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。