論文の概要: Convolutional autoencoder for the spatiotemporal latent representation of turbulence

• arxiv url: http://arxiv.org/abs/2301.13728v2
• Date: Tue, 20 Jun 2023 12:11:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 04:10:40.640550
• Title: Convolutional autoencoder for the spatiotemporal latent representation of turbulence
• Title（参考訳）: 乱流の時空間潜在表現のための畳み込みオートエンコーダ
• Authors: Nguyen Anh Khoa Doan, Alberto Racca, Luca Magri
• Abstract要約: 乱流の潜在表現を得るために3次元多次元畳み込みオートエンコーダ(CAE)を用いる。 マルチスケールCAEは効率が良く、データを圧縮するための適切な分解よりも10%以下の自由度を必要とする。 提案したディープラーニングアーキテクチャは、データからの乱流の非線形低次モデリングの機会を開放する。
• 参考スコア（独自算出の注目度）: 5.8010446129208155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Turbulence is characterised by chaotic dynamics and a high-dimensional state space, which make this phenomenon challenging to predict. However, turbulent flows are often characterised by coherent spatiotemporal structures, such as vortices or large-scale modes, which can help obtain a latent description of turbulent flows. However, current approaches are often limited by either the need to use some form of thresholding on quantities defining the isosurfaces to which the flow structures are associated or the linearity of traditional modal flow decomposition approaches, such as those based on proper orthogonal decomposition. This problem is exacerbated in flows that exhibit extreme events, which are rare and sudden changes in a turbulent state. The goal of this paper is to obtain an efficient and accurate reduced-order latent representation of a turbulent flow that exhibits extreme events. Specifically, we employ a three-dimensional multiscale convolutional autoencoder (CAE) to obtain such latent representation. We apply it to a three-dimensional turbulent flow. We show that the Multiscale CAE is efficient, requiring less than 10% degrees of freedom than proper orthogonal decomposition for compressing the data and is able to accurately reconstruct flow states related to extreme events. The proposed deep learning architecture opens opportunities for nonlinear reduced-order modeling of turbulent flows from data.
• Abstract（参考訳）: 乱流はカオス力学と高次元状態空間によって特徴づけられ、この現象を予測することは困難である。 しかし、乱流はしばしば渦や大規模モードのようなコヒーレントな時空間構造によって特徴づけられ、乱流の潜在的な記述を得るのに役立つ。 しかしながら、現在のアプローチは、フロー構造が関連づけられた等曲面を定義する量に何らかのしきい値を用いる必要性や、適切な直交分解に基づくものなど、伝統的なモーダルフロー分解アプローチの線形性によって制限されることが多い。 この問題は極端な現象を示す流れの中で悪化し、乱流状態の急激な変化は稀である。 本論文の目的は,過激な現象を示す乱流の効率的かつ高精度な低次潜在表現を得ることである。 具体的には, 3次元マルチスケール畳み込みオートエンコーダ(cae)を用いて, 潜在表現を得る。 これを三次元乱流に適用する。 マルチスケールCAEは効率が良く、データを圧縮するための適切な直交分解よりも10%以下の自由度が必要であり、極端な事象に関連する流れ状態を正確に再構築できることを示す。 提案するディープラーニングアーキテクチャは、データからの乱流の非線形減次モデリングの機会を開く。

関連論文リスト

• Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
  本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。 提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。 この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-06-17T10:21:01Z)
• FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
  FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。 私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
  論文  参考訳（メタデータ） (2024-06-01T17:29:29Z)
• Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
  本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。 提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。 数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
  論文  参考訳（メタデータ） (2023-11-14T04:08:14Z)
• Turbulence Scaling from Deep Learning Diffusion Generative Models [0.8192907805418583]
  拡散モデルを用いて乱流渦分布の分布を学習する。 圧縮不能なNavier-Stokes方程式に対する乱流解のスナップショットを生成する。 学習したスケーリング指数はすべて、期待されるKolmogorovスケーリングと一致している。
  論文  参考訳（メタデータ） (2023-11-10T15:27:07Z)
• AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
  本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。 従来の前方累積よりも後方累積の方が優れていることを示す。 長距離光流量推定におけるAccFlowの有効性を検証する実験
  論文  参考訳（メタデータ） (2023-08-25T01:51:26Z)
• From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
  本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。 生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
  論文  参考訳（メタデータ） (2023-05-29T18:20:28Z)
• Modelling spatiotemporal turbulent dynamics with the convolutional autoencoder echo state network [5.8010446129208155]
  乱流の力学はカオス的で予測が難しい 本稿では, 乱流状態の非線形分解法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T11:49:57Z)
• Flowformer: Linearizing Transformers with Conservation Flows [77.25101425464773]
  本研究では,フローネットワーク理論に基づくインダクティブバイアスのないトランスフォーマーを線形化する。 ソースコンペティション用シンクの流入流と、シンクアロケーション用ソースの流出流をそれぞれ保存することにより、フローアテンションは本質的に情報的注意を発生させる。
  論文  参考訳（メタデータ） (2022-02-13T08:44:10Z)
• Self-Supervised Learning of Non-Rigid Residual Flow and Ego-Motion [63.18340058854517]
  動的3次元シーンに対する非剛性残留流とエゴ運動流の連成推定によるエンドツーエンドのシーンフロー学習法を提案する。 我々は、点クラウドシーケンスの時間的一貫性性に基づいて、自己監督的な信号で教師付きフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-09-22T11:39:19Z)

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。