論文の概要: Generative Diffusion for 3D Turbulent Flows
- arxiv url: http://arxiv.org/abs/2306.01776v1
- Date: Mon, 29 May 2023 18:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-11 13:45:52.056447
- Title: Generative Diffusion for 3D Turbulent Flows
- Title（参考訳）: 3次元乱流の生成拡散
- Authors: Marten Lienen, Jan Hansen-Palmus, David L\"udke, Stephan G\"unnemann
- Abstract要約: 任意の3次元測地における強制乱流の最初の生成モデルを提案する。
本研究では, 乱流の予測不可能性を回避し, 高品質なサンプルを作成した。
- 参考スコア（独自算出の注目度）: 1.911678487931003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Turbulent flows are well known to be chaotic and hard to predict; however,
their dynamics differ between two and three dimensions. While 2D turbulence
tends to form large, coherent structures, in three dimensions vortices cascade
to smaller and smaller scales. This cascade creates many fast-changing,
small-scale structures and amplifies the unpredictability, making
regression-based methods infeasible. We propose the first generative model for
forced turbulence in arbitrary 3D geometries and introduce a sample quality
metric for turbulent flows based on the Wasserstein distance of the generated
velocity-vorticity distribution. In several experiments, we show that our
generative diffusion model circumvents the unpredictability of turbulent flows
and produces high-quality samples based solely on geometric information.
Furthermore, we demonstrate that our model beats an industrial-grade numerical
solver in the time to generate a turbulent flow field from scratch by an order
of magnitude.
- Abstract（参考訳）: 乱流はカオス的で予測が難しいことがよく知られているが、その動力学は2次元と3次元で異なる。
2次元乱流は大きなコヒーレント構造を形成する傾向があるが、3次元の渦はより小さなスケールにカスケードする。
このカスケードは多くの高速で小さな構造を生成し、予測不能を増幅し、回帰ベースのメソッドが実現不可能になる。
任意の3次元幾何学における強制乱流の第一生成モデルを提案し,生成する速度-渦分布のワッサースタイン距離に基づく乱流のサンプル品質測定法を提案する。
いくつかの実験で, 生成拡散モデルが乱流の予測不能を回避し, 幾何学的情報のみに基づいて高品質なサンプルを生成することを示した。
さらに,本モデルが産業用数値計算器に打ち勝つことで,スクラッチから乱流場を桁違いに生成できることを実証した。
関連論文リスト
- Comparison of Generative Learning Methods for Turbulence Modeling [1.2499537119440245]
直接数値シミュレーション (DNS) や大渦シミュレーション (LES) のような高解像度の手法は一般に計算に手頃な価格ではない。
機械学習、特に生成確率モデルにおける最近の進歩は、乱流モデリングのための有望な代替手段を提供する。
本稿では, 変分オートエンコーダ(VAE), ディープ・コンバーサナル・ジェネレータ・ネットワーク(DCGAN), 拡散確率モデル(DDPM)の3つの生成モデルの適用について検討する。
論文 参考訳（メタデータ） (2024-11-25T14:20:53Z) - FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。
擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。
FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
論文 参考訳（メタデータ） (2024-09-26T17:59:51Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳（メタデータ） (2024-05-31T20:05:17Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - Convolutional autoencoder for the spatiotemporal latent representation
of turbulence [5.8010446129208155]
乱流の潜在表現を得るために3次元多次元畳み込みオートエンコーダ(CAE)を用いる。
マルチスケールCAEは効率が良く、データを圧縮するための適切な分解よりも10%以下の自由度を必要とする。
提案したディープラーニングアーキテクチャは、データからの乱流の非線形低次モデリングの機会を開放する。
論文 参考訳（メタデータ） (2023-01-31T16:06:54Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - 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。