論文の概要: From Zero to Turbulence: Generative Modeling for 3D Flow Simulation
- arxiv url: http://arxiv.org/abs/2306.01776v2
- Date: Wed, 4 Oct 2023 14:02:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 21:49:04.113508
- Title: From Zero to Turbulence: Generative Modeling for 3D Flow Simulation
- Title(参考訳): ゼロから乱流へ:三次元流れシミュレーションのための生成モデル
- Authors: Marten Lienen, David L\"udke, Jan Hansen-Palmus, Stephan G\"unnemann
- Abstract要約: 本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
- 参考スコア(独自算出の注目度): 6.2586190199726275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulations of turbulent flows in 3D are one of the most expensive
simulations in computational fluid dynamics (CFD). Many works have been written
on surrogate models to replace numerical solvers for fluid flows with faster,
learned, autoregressive models. However, the intricacies of turbulence in three
dimensions necessitate training these models with very small time steps, while
generating realistic flow states requires either long roll-outs with many steps
and significant error accumulation or starting from a known, realistic flow
state - something we aimed to avoid in the first place. Instead, we propose to
approach turbulent flow simulation as a generative task directly learning the
manifold of all possible turbulent flow states without relying on any initial
flow state. For our experiments, we introduce a challenging 3D turbulence
dataset of high-resolution flows and detailed vortex structures caused by
various objects and derive two novel sample evaluation metrics for turbulent
flows. On this dataset, we show that our generative model captures the
distribution of turbulent flows caused by unseen objects and generates
high-quality, realistic samples amenable for downstream applications without
access to any initial state.
- Abstract(参考訳): 3Dにおける乱流のシミュレーションは計算流体力学(CFD)において最も高価なシミュレーションの1つである。
流体流の数値解法を高速で学習された自己回帰モデルに置き換えるため、サーロゲートモデルに多くの研究がなされている。
しかし、3次元の乱流の複雑さは、これらのモデルを非常に小さな時間ステップで訓練する必要がある一方で、現実的なフロー状態を生成するには、多くのステップと重大なエラー蓄積を伴う長いロールアウトが必要か、あるいは既知の現実的なフロー状態から始める必要がある。
その代わり, 乱流シミュレーションを, 初期流れの状態に頼らずに, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
本実験では,高分解能流れの3次元乱流データセットと各種物体による詳細な渦構造を導入し,乱流に対する2つの新しいサンプル評価指標を導出した。
本データセットでは, 生成モデルを用いて, 未確認物体による乱流の分布を把握し, 初期状態にアクセスせずに下流アプリケーションに適用可能な高品質で現実的なサンプルを生成する。
関連論文リスト
- 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) - Ensemble flow reconstruction in the atmospheric boundary layer from
spatially limited measurements through latent diffusion models [0.32955181898067526]
機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。
これらの技術は3次元大気境界層ではまだ実証されていない。
論文 参考訳(メタデータ) (2023-03-01T21:55:10Z) - 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) - Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。
我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
論文 参考訳(メタデータ) (2023-01-27T21:52:03Z) - 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) - 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) - Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。
計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。
本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
論文 参考訳(メタデータ) (2021-05-10T10:45:28Z) - 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) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳(メタデータ) (2020-12-22T09:21:40Z)
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。