論文の概要: Improving CFD simulations by local machine-learned correction

• arxiv url: http://arxiv.org/abs/2305.00114v1
• Date: Fri, 28 Apr 2023 22:20:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 17:09:55.238821
• Title: Improving CFD simulations by local machine-learned correction
• Title（参考訳）: 局所機械学習補正によるCFDシミュレーションの改善
• Authors: Peetak Mitra, Majid Haghshenas, Niccolo Dal Santo, Conor Daly, David P. Schmidt
• Abstract要約: 設計空間探索のための高忠実度計算流体力学(CFD)シミュレーションは非常に高価である。 この計算コスト/精度のトレードオフは、現代のCFDシミュレーションの大きな課題である。 離散化誤差を予測するために学習した機械学習モデルを用いて学習する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity computational fluid dynamics (CFD) simulations for design space explorations can be exceedingly expensive due to the cost associated with resolving the finer scales. This computational cost/accuracy trade-off is a major challenge for modern CFD simulations. In the present study, we propose a method that uses a trained machine learning model that has learned to predict the discretization error as a function of largescale flow features to inversely estimate the degree of lost information due to mesh coarsening. This information is then added back to the low-resolution solution during runtime, thereby enhancing the quality of the under-resolved coarse mesh simulation. The use of a coarser mesh produces a non-linear benefit in speed while the cost of inferring and correcting for the lost information has a linear cost. We demonstrate the numerical stability of a problem of engineering interest, a 3D turbulent channel flow. In addition to this demonstration, we further show the potential for speedup without sacrificing solution accuracy using this method, thereby making the cost/accuracy trade-off of CFD more favorable.
• Abstract（参考訳）: 設計空間探索のための高忠実度計算流体力学(CFD)シミュレーションは、より微細なスケールの解決に伴うコストのため、非常に高価である。 この計算コスト/精度のトレードオフは、現代のCFDシミュレーションの大きな課題である。 本研究では,大規模フロー特徴の関数として離散化誤差を予測し,メッシュの粗化による損失情報の度合いを逆推定する学習機械学習モデルを提案する。 この情報は実行時に低解像度のソリューションに付加され、未解決の粗いメッシュシミュレーションの品質が向上する。 粗いメッシュを使用することで速度が非線形に向上する一方で、失われた情報の推論と修正のコストは線形コストとなる。 本研究では, 工学的関心事, 3次元乱流流の数値安定性を示す。 この実証に加えて,本手法によるソリューション精度を犠牲にすることなく,高速化の可能性を示し,cfdのコスト・精度のトレードオフをより有利にする。

関連論文リスト

• Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
  本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。 目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。 圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
  論文  参考訳（メタデータ） (2024-09-11T10:38:30Z)
• PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
  高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。 解像度が大きくなると、計算データ要求と時間の増加が比例する。 複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
  論文  参考訳（メタデータ） (2024-04-06T12:49:09Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics [0.0]
  MeshDQNは、反復的に粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。 グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュを選択し、高価なシミュレーションをバイパスするためにソリューションを使用する。 MeshDQNは2つの2D翼のメッシュの改善に成功している。
  論文  参考訳（メタデータ） (2022-12-02T20:22:15Z)
• 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)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
  我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。 このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。 このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
  論文  参考訳（メタデータ） (2021-06-01T08:46:04Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks [5.380828749672078]
  DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。 DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
  論文  参考訳（メタデータ） (2020-04-19T12:00:37Z)

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。