論文の概要: MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics

• arxiv url: http://arxiv.org/abs/2212.01428v1
• Date: Fri, 2 Dec 2022 20:22:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 18:55:04.445241
• Title: MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics
• Title（参考訳）: MeshDQN:計算流体力学におけるメッシュ改善のための深層強化学習フレームワーク
• Authors: Cooper Lorsung, Amir Barati Farimani
• Abstract要約: MeshDQNは、反復的に粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。 グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュを選択し、高価なシミュレーションをバイパスするためにソリューションを使用する。 MeshDQNは2つの2D翼のメッシュの改善に成功している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meshing is a critical, but user-intensive process necessary for stable and accurate simulations in computational fluid dynamics (CFD). Mesh generation is often a bottleneck in CFD pipelines. Adaptive meshing techniques allow the mesh to be updated automatically to produce an accurate solution for the problem at hand. Existing classical techniques for adaptive meshing require either additional functionality out of solvers, many training simulations, or both. Current machine learning techniques often require substantial computational cost for training data generation, and are restricted in scope to the training data flow regime. MeshDQN is developed as a general purpose deep reinforcement learning framework to iteratively coarsen meshes while preserving target property calculation. A graph neural network based deep Q network is used to select mesh vertices for removal and solution interpolation is used to bypass expensive simulations at each step in the improvement process. MeshDQN requires a single simulation prior to mesh coarsening, while making no assumptions about flow regime, mesh type, or solver, only requiring the ability to modify meshes directly in a CFD pipeline. MeshDQN successfully improves meshes for two 2D airfoils.
• Abstract（参考訳）: メッシュは、計算流体力学(CFD)の安定かつ正確なシミュレーションに必要な重要なプロセスである。 メッシュ生成はcfdパイプラインのボトルネックになることが多い。 適応的なメッシュ技術により、メッシュが自動的に更新され、目の前の問題に対する正確なソリューションが生成される。 従来のアダプティブメッシュ技術では、ソルバから追加機能を必要とするか、多くのトレーニングシミュレーションが必要になる。 現在の機械学習技術は、しばしばデータ生成のトレーニングにかなりの計算コストを必要とし、トレーニングデータフローレシエーションの範囲に制限される。 MeshDQNは、目標特性計算を保存しつつ、繰り返し粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。 グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュ頂点を選択し、ソリューション補間を使用して、改善プロセスの各ステップで高価なシミュレーションをバイパスする。 MeshDQNは、メッシュ粗大化の前に単一のシミュレーションを必要とすると同時に、フロー状態やメッシュタイプ、あるいはソルバに関する仮定は必要とせず、CFDパイプラインでメッシュを直接修正する機能のみを必要とする。 meshdqnは2d翼のメッシュの改善に成功している。

関連論文リスト

• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
  高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。 解像度が大きくなると、計算データ要求と時間の増加が比例する。 複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
  論文  参考訳（メタデータ） (2024-04-06T12:49:09Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Improving CFD simulations by local machine-learned correction [0.0]
  設計空間探索のための高忠実度計算流体力学(CFD)シミュレーションは非常に高価である。 この計算コスト/精度のトレードオフは、現代のCFDシミュレーションの大きな課題である。 離散化誤差を予測するために学習した機械学習モデルを用いて学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-28T22:20:42Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• M2N: Mesh Movement Networks for PDE Solvers [17.35053721712421]
  PDEソルバのための学習ベースエンドツーエンドメッシュ移動フレームワークを提案する。 主な要件は、メッシュの緩和、バウンダリ一貫性、さまざまな解像度のメッシュへの一般化である。 我々は定常・時間依存・線形・非線形方程式について検証する。
  論文  参考訳（メタデータ） (2022-04-24T04:23:31Z)
• Machine Learning-Based Optimal Mesh Generation in Computational Fluid Dynamics [0.0]
  最適メッシュ密度を特定するための機械学習手法を提案する。 古典的手法を用いて最適化メッシュを生成し,最適メッシュ密度を予測する畳み込みネットワークのトレーニングを提案する。 2万のシミュレーションのトレーニングセットを使用して、98.7%以上の精度を達成する。
  論文  参考訳（メタデータ） (2021-02-25T15:25:17Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• 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)

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。