論文の概要: A unified method of data assimilation and turbulence modeling for
separated flows at high Reynolds numbers
- arxiv url: http://arxiv.org/abs/2211.00601v1
- Date: Tue, 1 Nov 2022 17:17:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:54:32.947287
- Title: A unified method of data assimilation and turbulence modeling for
separated flows at high Reynolds numbers
- Title(参考訳): 高レイノルズ数の分離流れに対するデータ同化と乱流モデリングの統一的手法
- Authors: Z. Y. Wang, W. W. Zhang
- Abstract要約: 本稿では,データ同化と乱流モデリングの統一的アプローチとして,改良されたアンサンブルカルマン逆変換法を提案する。
DNNのトレーニング可能なパラメータは、与えられた実験的表面圧力係数に応じて最適化される。
その結果, 各種実験状態の連成同化により, 付着流と分離流の双方によく適応する乱流モデルが得られることがわかった。
- 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: In recent years, machine learning methods represented by deep neural networks
(DNN) have been a new paradigm of turbulence modeling. However, in the scenario
of high Reynolds numbers, there are still some bottlenecks, including the lack
of high-fidelity data and the convergence and stability problem in the coupling
process of turbulence models and the RANS solvers. In this paper, we propose an
improved ensemble kalman inversion method as a unified approach of data
assimilation and turbulence modeling for separated flows at high Reynolds
numbers. The trainable parameters of the DNN are optimized according to the
given experimental surface pressure coefficients in the framework of mutual
coupling between the RANS equations and DNN eddy-viscosity models. In this way,
data assimilation and model training are combined into one step to get the
high-fidelity turbulence models agree well with experiments efficiently. The
effectiveness of the method is verified by cases of separated flows around
airfoils(S809) at high Reynolds numbers. The results show that through joint
assimilation of vary few experimental states, we can get turbulence models
generalizing well to both attached and separated flows at different angles of
attack. The errors of lift coefficients at high angles of attack are
significantly reduced by more than three times compared with the traditional SA
model. The models obtained also perform well in stability and robustness.
- Abstract(参考訳): 近年,深層ニューラルネットワーク(DNN)に代表される機械学習手法が,乱流モデリングの新しいパラダイムとなっている。
しかし、高レイノルズ数のシナリオでは、高忠実度データの欠如や乱流モデルとransソルバの結合過程における収束と安定性の問題など、いくつかのボトルネックが残っている。
本稿では,高レイノルズ数での分離流れに対するデータ同化と乱流モデリングの統一的アプローチとして,改良されたアンサンブルカルマン反転法を提案する。
DNNのトレーニング可能なパラメータは、RANS方程式とDNNの渦-粘性モデルとの相互結合の枠組みにおいて、与えられた実験的表面圧力係数に従って最適化される。
このようにして、データ同化とモデルトレーニングを組み合わせることで、高忠実度乱流モデルが実験と効率的に一致するようにする。
本手法の有効性は,高レイノルズ数での翼まわりの分離流れ(s809)を用いて検証した。
その結果, 実験状態の結合同化により, 付着流と分離流の両方に対して, 異なる攻撃角での乱流モデルが一般化できることがわかった。
従来のSAモデルと比較すると,高い攻撃角度でのリフト係数の誤差は3倍以上に減少する。
得られたモデルは安定性とロバスト性も良好である。
関連論文リスト
- The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - A Geometric Perspective on Diffusion Models [60.69328526215776]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングを検証し,そのサンプリングダイナミクスの興味深い構造を明らかにした。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Towards a Numerical Proof of Turbulence Closure [58.720142291102135]
本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。
本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
論文 参考訳(メタデータ) (2022-02-18T16:31:57Z) - Learned Turbulence Modelling with Differentiable Fluid Solvers [23.535052848123932]
我々は畳み込みニューラルネットワークに基づいて乱流モデルを訓練する。
これらのモデルは、シミュレーション時に非圧縮性ナビエ・ストークス方程式に対する未解決の低分解能解を改善する。
論文 参考訳(メタデータ) (2022-02-14T19:03:01Z) - Deep Learning to advance the Eigenspace Perturbation Method for
Turbulence Model Uncertainty Quantification [0.0]
乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。
我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
論文 参考訳(メタデータ) (2022-02-11T08:06:52Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - Learning the structure of wind: A data-driven nonlocal turbulence model
for the atmospheric boundary layer [0.0]
我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。
このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
論文 参考訳(メタデータ) (2021-07-23T06:41:33Z) - 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) - Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。
本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。
結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
論文 参考訳(メタデータ) (2020-06-08T16:37:48Z) - Simulating Anisoplanatic Turbulence by Sampling Inter-modal and
Spatially Correlated Zernike Coefficients [15.904420927818201]
乱流を通したイメージングをシミュレーションするための伝搬不要な手法を提案する。
そこで本研究では,モーダル間および空間的相関のZernike係数を描画する新しい手法を提案する。
実験結果から,シミュレータは理論と実乱流データとよく一致していることがわかった。
論文 参考訳(メタデータ) (2020-04-23T15:05:39Z) - Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。
LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
論文 参考訳(メタデータ) (2020-02-12T18:57:14Z)
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。