論文の概要: Implementation of the Critical Wave Groups Method with Computational
Fluid Dynamics and Neural Networks
- arxiv url: http://arxiv.org/abs/2301.09834v1
- Date: Tue, 24 Jan 2023 06:14:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:20:08.532658
- Title: Implementation of the Critical Wave Groups Method with Computational
Fluid Dynamics and Neural Networks
- Title（参考訳）: 計算流体力学とニューラルネットワークを用いた臨界波群法の実装
- Authors: Kevin M. Silva and Kevin J. Maki
- Abstract要約: 本稿では,極端船舶の応答の正確かつ効率的な予測のための新しい枠組みを提案する。
新しいフレームワークは、計算コストの2桁の削減で、純粋にCFD駆動のフレームワークを表す予測を生成することができる。
- 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: Accurate and efficient prediction of extreme ship responses continues to be a
challenging problem in ship hydrodynamics. Probabilistic frameworks in
conjunction with computationally efficient numerical hydrodynamic tools have
been developed that allow researchers and designers to better understand
extremes. However, the ability of these hydrodynamic tools to represent the
physics quantitatively during extreme events is limited. Previous research
successfully implemented the critical wave groups (CWG) probabilistic method
with computational fluid dynamics (CFD). Although the CWG method allows for
less simulation time than a Monte Carlo approach, the large quantity of
simulations required is cost prohibitive. The objective of the present paper is
to reduce the computational cost of implementing CWG with CFD, through the
construction of long short-term memory (LSTM) neural networks. After training
the models with a limited quantity of simulations, the models can provide a
larger quantity of predictions to calculate the probability. The new framework
is demonstrated with a 2-D midship section of the Office of Naval Research
Tumblehome (ONRT) hull in Sea State 7 and beam seas at zero speed. The new
framework is able to produce predictions that are representative of a purely
CFD-driven CWG framework, with two orders of magnitude of computational cost
savings.
- Abstract（参考訳）: 船の反応の正確かつ効率的な予測は、船の流体力学において難しい問題である。
計算効率のよい数値流体力学ツールと共に確率論的枠組みが開発され、研究者や設計者が極限をよりよく理解できるようになった。
しかし、これらの流体力学ツールが極端な出来事の間に物理を定量的に表す能力は限られている。
計算流体力学 (CFD) を用いた臨界波群 (CWG) 確率法の実装に成功した。
cwg法ではモンテカルロ法よりもシミュレーションに要する時間が少ないが、必要なシミュレーションの量は高価である。
本研究の目的は,長い短期記憶(LSTM)ニューラルネットワークの構築により,CFDにCWGを実装する際の計算コストを削減することである。
限られた量のシミュレーションでモデルをトレーニングした後、モデルは確率を計算するために大量の予測を提供することができる。
この新しい枠組みは、海軍研究局タンブルホーム (ONRT) の2-Dの船体で、シーステート7の船体と無速のビーム海で実証されている。
新しいフレームワークは、計算コストの2桁の削減で、純粋にCFD駆動のCWGフレームワークを表す予測を生成することができる。
関連論文リスト
- Feasibility of accelerating incompressible computational fluid dynamics simulations with fault-tolerant quantum computers [1.7812428873698407]
本研究では, CFDシミュレーションの高速化と精度向上のため, フォールトトレラント量子コンピュータの適用可能性について検討した。
球面上のドラッグ力の単純な場合に必要な量子資源を推定する。
論文 参考訳（メタデータ） (2024-06-10T14:38:46Z) - Reservoir Computing Using Measurement-Controlled Quantum Dynamics [0.0]
共振器内のプローブ原子の力学を利用する量子RCシステムを提案する。
提案した量子貯水池は、少数の人工ニューロンを用いて高速で信頼性の高い予測を行うことができる。
論文 参考訳（メタデータ） (2024-03-01T22:59:41Z) - Towards Improved Prediction of Ship Performance: A Comparative Analysis
on In-service Ship Monitoring Data for Modeling the Speed-Power Relation [0.0]
我々は、データ駆動機械学習アルゴリズムの精度を、船舶の性能を評価する従来の方法と比較する。
以上の結果から,ニューラルネットワークが基本原理に従って確立された半経験式よりも優れていたことが示唆された。
これらの結果から,データ駆動型アルゴリズムは実用アプリケーションにおける船体性能の予測に有効である可能性が示唆された。
論文 参考訳（メタデータ） (2022-12-26T09:39:33Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - Data-driven and machine-learning based prediction of wave propagation
behavior in dam-break flood [11.416877401689735]
最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。
我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
論文 参考訳（メタデータ） (2022-09-19T02:58:31Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - 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) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳（メタデータ） (2021-03-02T03:09:06Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - 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) - CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。
多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。
本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
論文 参考訳（メタデータ） (2020-05-09T18:06:09Z)
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。