論文の概要: AirfRANS: High Fidelity Computational Fluid Dynamics Dataset for Approximating Reynolds-Averaged Navier-Stokes Solutions

• arxiv url: http://arxiv.org/abs/2212.07564v3
• Date: Thu, 1 Jun 2023 14:52:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-03 01:02:51.471593
• Title: AirfRANS: High Fidelity Computational Fluid Dynamics Dataset for Approximating Reynolds-Averaged Navier-Stokes Solutions
• Title（参考訳）: AirfRANS:レイノルズ平均Navier-Stokes溶液の近似のための高忠実度計算流体力学データセット
• Authors: Florent Bonnet, Ahmed Jocelyn Mazari, Paola Cinnella, Patrick Gallinari
• Abstract要約: 本研究では,2次元非圧縮性定常状態Reynolds-Averaged Navier-Stokes方程式のサブソニックな状態における翼上における解析モデルであるAirfRANSを開発した。 また,測地面の応力力と境界層の可視化の指標を導入し,モデルの性能を評価し,問題の有意義な情報を正確に予測する。
• 参考スコア（独自算出の注目度）: 9.561442022004808
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Surrogate models are necessary to optimize meaningful quantities in physical dynamics as their recursive numerical resolutions are often prohibitively expensive. It is mainly the case for fluid dynamics and the resolution of Navier-Stokes equations. However, despite the fast-growing field of data-driven models for physical systems, reference datasets representing real-world phenomena are lacking. In this work, we develop AirfRANS, a dataset for studying the two-dimensional incompressible steady-state Reynolds-Averaged Navier-Stokes equations over airfoils at a subsonic regime and for different angles of attacks. We also introduce metrics on the stress forces at the surface of geometries and visualization of boundary layers to assess the capabilities of models to accurately predict the meaningful information of the problem. Finally, we propose deep learning baselines on four machine learning tasks to study AirfRANS under different constraints for generalization considerations: big and scarce data regime, Reynolds number, and angle of attack extrapolation.
• Abstract（参考訳）: サーロゲートモデルは、再帰的な数値解法がしばしば必然的に高価であるため、物理力学において有意義な量を最適化するために必要である。 これは主に流体力学とナビエ・ストークス方程式の分解のケースである。 しかし、物理システムのデータ駆動モデルが急速に成長しているにもかかわらず、実世界の現象を表す参照データセットは不足している。 本研究では,2次元非圧縮性定常状態Reynolds-Averaged Navier-Stokes方程式をサブソニックな状態と異なる攻撃角度で観測するためのデータセットであるAirfRANSを開発した。 また,ジオメトリ表面における応力力の指標と境界層の可視化を導入し,問題の有意義な情報を正確に予測するモデルの能力を評価する。 最後に,4つの機械学習タスクに基づくディープラーニングベースラインを提案し,大小のデータ構造,レイノルズ数,攻撃外挿角度など,さまざまな制約下でAirfRANSを研究する。

関連論文リスト

• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Generalizable Implicit Neural Representation As a Universal Spatiotemporal Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-06-13T02:03:22Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes Equations [13.242926257057084]
  INFINITYは、幾何学情報と物理場をコンパクトな表現に符号化するディープラーニングモデルである。 本フレームワークは,体積と表面の物理場を正確に推定することにより,最先端の性能を実現する。 我々のモデルは、方程式に固執しながら、ドラッグ・アンド・リフト係数を正確に予測することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:35:55Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• An extensible Benchmarking Graph-Mesh dataset for studying Steady-State Incompressible Navier-Stokes Equations [9.067455882308073]
  高レイノルズ政権における翼上気流を解析するための2次元グラフ・メッシュ・データセットを提案する。 また、重要な物理量でGDLモデルを評価するために、翼上の応力力の指標も導入する。
  論文  参考訳（メタデータ） (2022-06-29T15:18:30Z)
• Deep Random Vortex Method for Simulation and Inference of Navier-Stokes Equations [69.5454078868963]
  ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。 AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。 本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
  論文  参考訳（メタデータ） (2022-06-20T04:58:09Z)
• Physics-informed deep-learning applications to experimental fluid mechanics [2.992602379681373]
  低分解能および雑音測定による流れ場データの高分解能再構成は実験流体力学において重要である。 ディープラーニングのアプローチは、このような超高解像度なタスクに適していることが示されている。 本研究では,物理インフォームドニューラルネットワーク(PINN)を時間空間における流れ場データの超解像に適用する。
  論文  参考訳（メタデータ） (2022-03-29T09:58:30Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations [1.4150517264592128]
  種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。 ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。 我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
  論文  参考訳（メタデータ） (2021-12-13T05:08:55Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)

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。