論文の概要: Predicting the wall-shear stress and wall pressure through convolutional
neural networks
- arxiv url: http://arxiv.org/abs/2303.00706v1
- Date: Wed, 1 Mar 2023 18:03:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 13:55:06.233654
- Title: Predicting the wall-shear stress and wall pressure through convolutional
neural networks
- Title（参考訳）: 畳み込みニューラルネットワークによる壁せん断応力と壁圧の予測
- Authors: Arivazhagan G. Balasubramanian, Luca Gastonia, Philipp Schlatter,
Hossein Azizpour, Ricardo Vinuesa
- Abstract要約: 本研究では,畳み込み型ニューラルネットワークが乱流開水路内の壁量を予測する能力を評価することを目的とした。
FCNの予測は、提案したR-Netアーキテクチャの予測と比較される。
R-Netはまた、速度変動場を$y+ = 50$で予測できる。
- 参考スコア（独自算出の注目度）: 1.95992742032823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective of this study is to assess the capability of convolution-based
neural networks to predict wall quantities in a turbulent open channel flow.
The first tests are performed by training a fully-convolutional network (FCN)
to predict the 2D velocity-fluctuation fields at the inner-scaled wall-normal
location $y^{+}_{\rm target}$, using the sampled velocity fluctuations in
wall-parallel planes located farther from the wall, at $y^{+}_{\rm input}$. The
predictions from the FCN are compared against the predictions from a proposed
R-Net architecture. Since the R-Net model is found to perform better than the
FCN model, the former architecture is optimized to predict the 2D streamwise
and spanwise wall-shear-stress components and the wall pressure from the
sampled velocity-fluctuation fields farther from the wall. The dataset is
obtained from DNS of open channel flow at $Re_{\tau} = 180$ and $550$. The
turbulent velocity-fluctuation fields are sampled at various inner-scaled
wall-normal locations, along with the wall-shear stress and the wall pressure.
At $Re_{\tau}=550$, both FCN and R-Net can take advantage of the
self-similarity in the logarithmic region of the flow and predict the
velocity-fluctuation fields at $y^{+} = 50$ using the velocity-fluctuation
fields at $y^{+} = 100$ as input with about 10% error in prediction of
streamwise-fluctuations intensity. Further, the R-Net is also able to predict
the wall-shear-stress and wall-pressure fields using the velocity-fluctuation
fields at $y^+ = 50$ with around 10% error in the intensity of the
corresponding fluctuations at both $Re_{\tau} = 180$ and $550$. These results
are an encouraging starting point to develop neural-network-based approaches
for modelling turbulence near the wall in large-eddy simulations.
- Abstract（参考訳）: 本研究の目的は,畳み込み型ニューラルネットワークの乱流開水路流れにおける壁量予測能力を評価することである。
最初の試験は、壁面から遠くに位置する壁面並列面のサンプル速度変動を用いて、内規模壁面正規位置$y^{+}_{\rm target}$の2次元速度変動場を$y^{+}_{\rm input}$で予測するために、完全畳み込みネットワーク(FCN)を訓練することによって行われる。
FCNの予測は、提案したR-Netアーキテクチャの予測と比較される。
R-NetモデルはFCNモデルよりも優れた性能を示すことが判明したので, 従来のアーキテクチャは, 壁面から遠ざかるサンプル速度変動場からの2次元の流速および幅方向の壁応力成分と壁圧力を予測するように最適化されている。
データセットは、オープンチャネルフローのDNSから$Re_{\tau} = 180$と$50$で取得される。
乱流速度変動場は, 壁せん断応力や壁圧とともに, 様々な壁面内径壁の通常位置でサンプリングされる。
re_{\tau}=550$では、fcnとr-netの両方が流れの対数領域の自己相似性を利用し、y^{+} = 50$の速度-変動場をy^{+} = 100$の速度-変動場を用いて予測することができる。
さらに、r-netは、y^+ = 50$の速度-変動場を用いて、壁-ストーム-ストレス場と壁-圧力場を予測でき、$re_{\tau} = 180$と$50$の両方で対応する変動の強度の約10%の誤差がある。
これらの結果は大規模シミュレーションにおいて,壁近傍の乱流をモデル化するためのニューラルネットワークベースのアプローチを開発するための出発点となる。
関連論文リスト
- Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。
我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
論文 参考訳（メタデータ） (2024-05-26T17:08:04Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳（メタデータ） (2023-07-27T06:59:46Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳（メタデータ） (2022-07-04T14:51:59Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Predicting the near-wall region of turbulence through convolutional
neural networks [0.0]
乱流開水路流れにおける近接壁挙動を予測するためのニューラルネットワークに基づく手法について検討した。
完全畳み込みネットワーク(FCN)は,2次元速度変動場を$y+_rmターゲット$で予測するために訓練される。
FCNは流れの対数領域の自己相似性を生かし、速度変動場を$y+ = 50$で予測することができる。
論文 参考訳（メタデータ） (2021-07-15T13:58:26Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Predicting Porosity, Permeability, and Tortuosity of Porous Media from
Images by Deep Learning [0.0]
畳み込みニューラルネットワーク(CNN)を用いて、障害物の初期構成と多孔質媒体の3つの基本量との関係を符号化する。
CNNは、ポーシティ、透過性、およびトルトゥシティを精度良く予測できることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:27:14Z) - Convolutional-network models to predict wall-bounded turbulence from
wall quantities [0.0]
乱流開水路流れにおける壁面異常位置の2次元速度変動場を予測するために2つのモデルを訓練した。
最初のモデルは、揺らぎを直接予測する完全畳み込みニューラルネットワーク(FCN)である。
後者は正規直交基底関数の線形結合を用いて流れ場を再構成する。
論文 参考訳（メタデータ） (2020-06-22T17:57:40Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z) - Prediction of wall-bounded turbulence from wall quantities using
convolutional neural networks [0.0]
完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。
様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
論文 参考訳（メタデータ） (2019-12-30T15:34:41Z)
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。