論文の概要: Deep Operator Learning-based Surrogate Models with Uncertainty
Quantification for Optimizing Internal Cooling Channel Rib Profiles
- arxiv url: http://arxiv.org/abs/2306.00810v1
- Date: Thu, 1 Jun 2023 15:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 15:08:47.729142
- Title: Deep Operator Learning-based Surrogate Models with Uncertainty
Quantification for Optimizing Internal Cooling Channel Rib Profiles
- Title（参考訳）: 内部冷却チャネルリブプロファイル最適化のための不確実性定量化を用いたディープオペレータ学習に基づくサロゲートモデル
- Authors: Izzet Sahin, Christian Moya, Amirhossein Mollaali, Guang Lina,
Guillermo Paniagua
- Abstract要約: 我々は、無限次元空間間のマッピングを近似するためにディープ演算子ネットワーク(DeepONet)フレームワークを使用する。
提案したDeepONetフレームワークのトレーニングとテストに必要なデータセットは,2Dリブ処理した内部冷却チャネルをシミュレートすることによって得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper designs surrogate models with uncertainty quantification
capabilities to improve the thermal performance of rib-turbulated internal
cooling channels effectively. To construct the surrogate, we use the deep
operator network (DeepONet) framework, a novel class of neural networks
designed to approximate mappings between infinite-dimensional spaces using
relatively small datasets. The proposed DeepONet takes an arbitrary continuous
rib geometry with control points as input and outputs continuous detailed
information about the distribution of pressure and heat transfer around the
profiled ribs. The datasets needed to train and test the proposed DeepONet
framework were obtained by simulating a 2D rib-roughened internal cooling
channel. To accomplish this, we continuously modified the input rib geometry by
adjusting the control points according to a simple random distribution with
constraints, rather than following a predefined path or sampling method. The
studied channel has a hydraulic diameter, Dh, of 66.7 mm, and a
length-to-hydraulic diameter ratio, L/Dh, of 10. The ratio of rib center height
to hydraulic diameter (e/Dh), which was not changed during the rib profile
update, was maintained at a constant value of 0.048. The ribs were placed in
the channel with a pitch-to-height ratio (P/e) of 10. In addition, we provide
the proposed surrogates with effective uncertainty quantification capabilities.
This is achieved by converting the DeepONet framework into a Bayesian DeepONet
(B-DeepONet). B-DeepONet samples from the posterior distribution of DeepONet
parameters using the novel framework of stochastic gradient replica-exchange
MCMC.
- Abstract（参考訳）: 本稿では,リブ乱流内部冷却チャネルの熱性能を効果的に向上させるため,不確実な定量化能力を有するサロゲートモデルを設計する。
このサロゲートを構築するために、比較的小さなデータセットを用いて無限次元空間間のマッピングを近似するために設計されたニューラルネットワークの新しいクラスであるディープオペレータネットワーク(DeepONet)フレームワークを使用する。
提案するdeeponetは制御点を入力として任意の連続リブ形状を取り、プロファイルされたリブ周りの圧力分布と熱伝達に関する連続的な詳細な情報を出力する。
提案したDeepONetフレームワークのトレーニングとテストに必要なデータセットは,2Dリブ処理した内部冷却チャネルをシミュレートすることによって得られた。
そこで我々は,事前定義された経路やサンプリング手法に従わず,単純なランダム分布に従って制御点を調整することで,入力リブ形状を連続的に修正した。
管径66.7mmの油圧径Dhと長さ・水圧径比L/Dhの10である。
リブ中心高さと水圧径(e/dh)の比は,リブプロファイル更新時に変化しなかったが,0.048。
リブをチャネル内に配置し,p/e (p/e) を10。
さらに,有効不確実性定量化機能を備えたサロゲートを提案する。
これはDeepONetフレームワークをBayesian DeepONet(B-DeepONet)に変換することで実現される。
確率勾配レプリカ交換MCMCの新しい枠組みを用いたDeepONetパラメータの後方分布からのB-DeepONetサンプル
関連論文リスト
- Improved Depth Estimation of Bayesian Neural Networks [2.5782420501870296]
本稿では,ネットワーク深度を離散的に切り離した正規分布を提案し,その平均と分散を学習する。
提案手法はスパイラルデータセットの試験精度を向上し, 後方深度推定のばらつきを低減させる。
論文 参考訳（メタデータ） (2024-10-14T11:35:50Z) - Deep Horseshoe Gaussian Processes [1.0742675209112622]
直交指数核を持つディープ・ガウス過程に基づく新しい単純前処理であるディープ・ホースシュー・ガウス過程(Deep Horseshoe Gaussian process)を紹介する。
本研究は、2次損失から対数係数まで、未知の真の回帰曲線を最適に復元することを示す。
論文 参考訳（メタデータ） (2024-03-04T05:30:43Z) - Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。
この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。
我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
論文 参考訳（メタデータ） (2024-01-02T23:26:33Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - Low-rank extended Kalman filtering for online learning of neural
networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。
この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。
変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文 参考訳（メタデータ） (2023-05-31T03:48:49Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳（メタデータ） (2022-03-27T05:03:56Z) - DDPG-Driven Deep-Unfolding with Adaptive Depth for Channel Estimation
with Sparse Bayesian Learning [23.158142411929322]
まず,異なる入力に対して適応的な深さを持つDDPG(Deep Deterministic Policy gradient)駆動のディープアンフォールディングの枠組みを開発する。
具体的には,大規模マルチインプットマルチアウトプットシステムにおけるチャネル推定問題に対処するために,このフレームワークを用いる。
論文 参考訳（メタデータ） (2022-01-20T22:35:42Z) - Shallow Network Based on Depthwise Over-Parameterized Convolution for
Hyperspectral Image Classification [0.7329200485567825]
本稿では,畳み込みニューラルネットワーク(CNN)を用いたハイパースペクトル画像分類(HSIC)の浅層モデルを提案する。
提案手法は、分類精度と計算効率の観点から、他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2021-12-01T03:10:02Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Physics-aware deep neural networks for surrogate modeling of turbulent
natural convection [0.0]
Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。
標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。
50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
論文 参考訳（メタデータ） (2021-03-05T09:48:57Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。