論文の概要: $\beta$-Variational autoencoders and transformers for reduced-order
modelling of fluid flows
- arxiv url: http://arxiv.org/abs/2304.03571v2
- Date: Wed, 15 Nov 2023 10:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 20:52:46.230250
- Title: $\beta$-Variational autoencoders and transformers for reduced-order
modelling of fluid flows
- Title(参考訳): 流体流れの低次モデリングのための$\beta$-variational autoencoderとtransformer
- Authors: Alberto Solera-Rico (1 and 2), Carlos Sanmiguel Vila (1 and 2), M. A.
G\'omez (2), Yuning Wang (4), Abdulrahman Almashjary (3), Scott T. M. Dawson
(3), Ricardo Vinuesa (4) (1: Aerospace Engineering Research Group,
Universidad Carlos III de Madrid, Legan\'es, Spain 2: Subdirectorate General
of Terrestrial Systems, Spanish National Institute for Aerospace Technology
(INTA), San Mart\'in de la Vega, Spain 3: Mechanical, Materials, and
Aerospace Engineering Department, Illinois Institute of Technology, Chicago,
USA 4: FLOW, Engineering Mechanics, KTH Royal Institute of Technology,
Stockholm, Sweden)
- Abstract要約: 変分オートエンコーダ(VAE)アーキテクチャは、カオス流体の低次モデル(ROM)を開発する可能性を秘めている。
本稿では,$beta$-VAEとtransformerの組み合わせを用いて,コンパクトで直交に近いROMを学習する手法を提案する。
- 参考スコア(独自算出の注目度): 0.3644907558168858
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational autoencoder (VAE) architectures have the potential to develop
reduced-order models (ROMs) for chaotic fluid flows. We propose a method for
learning compact and near-orthogonal ROMs using a combination of a $\beta$-VAE
and a transformer, tested on numerical data from a two-dimensional viscous flow
in both periodic and chaotic regimes. The $\beta$-VAE is trained to learn a
compact latent representation of the flow velocity, and the transformer is
trained to predict the temporal dynamics in latent space. Using the $\beta$-VAE
to learn disentangled representations in latent-space, we obtain a more
interpretable flow model with features that resemble those observed in the
proper orthogonal decomposition, but with a more efficient representation.
Using Poincar\'e maps, the results show that our method can capture the
underlying dynamics of the flow outperforming other prediction models. The
proposed method has potential applications in other fields such as weather
forecasting, structural dynamics or biomedical engineering.
- Abstract(参考訳): 変分オートエンコーダ(VAE)アーキテクチャは、カオス流体の低次モデル(ROM)を開発する可能性がある。
本研究では,周期的およびカオス的な2次元粘性流からの数値データを用いて,$\beta$-vae とtransformer の組み合わせを用いて,コンパクトおよび近角角角形romを学習する手法を提案する。
この$\beta$-vae は、流れ速度のコンパクトな潜在性表現を学ぶように訓練され、トランスフォーマーは、潜在性空間における時間的ダイナミクスを予測するように訓練される。
潜在空間における不連続表現を学ぶために$\beta$-vaeを用いて、適切な直交分解で観察されるような特徴を持つが、より効率的な表現を持つより解釈可能なフローモデルを得る。
Poincar\'e マップを用いて,本手法が他の予測モデルよりも優れた流れのダイナミックスを捉えることができることを示す。
提案手法は気象予報,構造力学,生物医学工学など他の分野にも応用できる可能性がある。
関連論文リスト
- Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - Differentiable Turbulence II [0.0]
そこで我々は,Navier-Stokes方程式を解くために,ディープラーニングモデルを汎用有限要素数値スキームに統合するためのフレームワークを開発した。
学習したクロージャは、より微細なグリッド上の従来の大規模渦シミュレーションに匹敵する精度で10倍のスピードアップを達成できることを示す。
論文 参考訳(メタデータ) (2023-07-25T14:27:49Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - 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) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳(メタデータ) (2022-12-24T12:59:41Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳(メタデータ) (2022-07-12T17:07:46Z) - Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas [0.41998444721319217]
本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。
本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
論文 参考訳(メタデータ) (2021-12-15T19:37:11Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳(メタデータ) (2021-12-07T03:33:39Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳(メタデータ) (2021-07-24T14:47:22Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳(メタデータ) (2021-01-27T11:27:16Z) - 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)
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。