論文の概要: Identifying regions of importance in wall-bounded turbulence through
explainable deep learning
- arxiv url: http://arxiv.org/abs/2302.01250v3
- Date: Fri, 22 Dec 2023 09:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 19:08:37.271361
- Title: Identifying regions of importance in wall-bounded turbulence through
explainable deep learning
- Title(参考訳): 説明可能な深層学習による壁面乱流の重要領域の同定
- Authors: Andres Cremades, Sergio Hoyas, Rahul Deshpande, Pedro Quintero, Martin
Lellep, Will Junghoon Lee, Jason Monty, Nicholas Hutchins, Moritz Linkmann,
Ivan Marusic, Ricardo Vinuesa
- Abstract要約: 本研究では, 乱流中のエネルギーを含むコヒーレント構造間の相互作用を, 説明可能な深層学習法を用いて初めて検討した。
予測フローに基づいて,SHapley Additive exPlanationsのゲーム理論アルゴリズムを用いて,この予測における各構造の重要性を評価する。
この枠組みは、流路制御の新しい戦略を含む多数の壁境界乱流の基本的な現象に光を当てる可能性がある。
- 参考スコア(独自算出の注目度): 1.6365624921211983
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite its great scientific and technological importance, wall-bounded
turbulence is an unresolved problem in classical physics that requires new
perspectives to be tackled. One of the key strategies has been to study
interactions among the energy-containing coherent structures in the flow. Such
interactions are explored in this study for the first time using an explainable
deep-learning method. The instantaneous velocity field obtained from a
turbulent channel flow simulation is used to predict the velocity field in time
through a U-net architecture. Based on the predicted flow, we assess the
importance of each structure for this prediction using the game-theoretic
algorithm of SHapley Additive exPlanations (SHAP). This work provides results
in agreement with previous observations in the literature and extends them by
revealing that the most important structures in the flow are not necessarily
the ones with the highest contribution to the Reynolds shear stress. We also
apply the method to an experimental database, where we can identify completely
new structures based on their importance score. This framework has the
potential to shed light on numerous fundamental phenomena of wall-bounded
turbulence, including novel strategies for flow control.
- Abstract(参考訳): その科学的、技術的重要性にもかかわらず、壁境界乱流は古典物理学において未解決の問題であり、新しい視点に取り組む必要がある。
重要な戦略の1つは、流れ中のエネルギーを含むコヒーレント構造間の相互作用を研究することである。
このような相互作用を,説明可能な深層学習法を用いて初めて検討した。
乱流流シミュレーションから得られた瞬時速度場を用いて,U-netアーキテクチャを用いて時間内速度場を予測する。
予測フローに基づいて,SHAP(SHapley Additive exPlanations)のゲーム理論アルゴリズムを用いて,この予測における各構造の重要性を評価する。
この研究は、文献における以前の観測結果と一致し、フローにおける最も重要な構造が必ずしもレイノルズせん断応力に最も寄与した構造であるとは限らないことを明らかにすることでそれらを拡張した。
また,本手法を実験データベースに適用し,その重要度に基づいて全く新しい構造を同定する。
この枠組みは、流れ制御の新しい戦略を含む多数の壁境界乱流の基本的な現象に光を当てる可能性がある。
関連論文リスト
- Physics-informed DeepONet with stiffness-based loss functions for structural response prediction [0.07538606213726905]
本研究では,DeepOnetを用いた構造的静的応答のリアルタイム予測手法を提案する。
トレーニングされたDeepONetは、1秒以内にドメイン全体のソリューションを生成することができる。
論文 参考訳(メタデータ) (2024-09-02T07:19:47Z) - A Survey on Physics Informed Reinforcement Learning: Review and Open
Problems [25.3906503332344]
本稿では,強化学習アプローチにおける物理情報の導入に関する文献を概説する。
既存の研究を分類するためのバックボーンとして強化学習パイプラインを用いた新しい分類法を導入する。
この初期段階の分野は、実世界のシナリオにおける物理的な妥当性、精度、データ効率、適用性を高めて強化学習アルゴリズムを強化する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-09-05T02:45:18Z) - End-To-End Latent Variational Diffusion Models for Inverse Problems in
High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。
我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文 参考訳(メタデータ) (2023-05-17T17:43:10Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Unified Field Theory for Deep and Recurrent Neural Networks [56.735884560668985]
本稿では,再帰的ネットワークと深層ネットワークの両方に対する平均場理論の統一的,体系的な導出について述べる。
平均場理論への収束は、ディープネットワークよりもリカレントネットワークの方が典型的に遅い。
提案手法はガウス過程が1/n$の体系的展開の最下位次数であることを示す。
論文 参考訳(メタデータ) (2021-12-10T15:06:11Z) - A Quantum Inspired Approach to Exploit Turbulence Structures [0.0]
異なる長さスケール間の相関関係を定量化することにより乱流構造を解析するための新しいパラダイムを提案する。
本稿では,2つのパラダイムフロー例のスケール間相関について検討し,これらの知見を用いて乱流シミュレーションのための構造分解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-06-10T14:33:53Z) - Physics Guided Machine Learning Methods for Hydrology [21.410993515618895]
SWAT (Soil and Water Assessment Tool) と組み合わせたLSTMに基づくディープラーニングアーキテクチャを提案する。
アプローチの有効性はミネソタ州南東部のルート川流域の南支流にあるいくつかの小さな流域で分析されている。
論文 参考訳(メタデータ) (2020-12-02T19:17:19Z) - Frequency-compensated PINNs for Fluid-dynamic Design Problems [3.0168882791480978]
シミュレーション出力と基礎となる幾何学と境界条件の関係を学習するための物理インフォームドニューラルネットワーク(PINN)アーキテクチャを提案する。
物理に基づく正規化項の使用に加えて、提案手法は基礎となる物理を利用して、周波数と位相パラメータといったフーリエ特徴の集合を学ぶ。
提案手法は,範囲時間間隔内および設計条件内におけるシミュレーション結果を予測し,本手法を実証する。
論文 参考訳(メタデータ) (2020-11-03T03:56:41Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳(メタデータ) (2020-06-05T08:04:37Z) - Neural Topological SLAM for Visual Navigation [112.73876869904]
意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。
本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
論文 参考訳(メタデータ) (2020-05-25T17:56:29Z)
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。