論文の概要: Neural Multigrid Memory For Computational Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2306.12545v1
- Date: Wed, 21 Jun 2023 20:19:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 16:12:54.064118
- Title: Neural Multigrid Memory For Computational Fluid Dynamics
- Title（参考訳）: 計算流体力学のためのニューラルマルチグリッドメモリ
- Authors: Duc Minh Nguyen, Minh Chau Vu, Tuan Anh Nguyen, Tri Huynh, Nguyen Tri
Nguyen, Truong Son Hy
- Abstract要約: 乱流シミュレーションのためのデータ駆動手法を提案する。
本稿では,ビデオ予測変換器(VPTR)とマルチグリッドアーキテクチャの長所を組み合わせた手法を提案する。
その結果,計算効率を保ちながら,他のベースラインよりも精度が高いことがわかった。
- 参考スコア（独自算出の注目度）: 13.36209460135302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Turbulent flow simulation plays a crucial role in various applications,
including aircraft and ship design, industrial process optimization, and
weather prediction. In this paper, we propose an advanced data-driven method
for simulating turbulent flow, representing a significant improvement over
existing approaches.
Our methodology combines the strengths of Video Prediction Transformer (VPTR)
(Ye & Bilodeau, 2022) and Multigrid Architecture (MgConv, MgResnet) (Ke et al.,
2017). VPTR excels in capturing complex spatiotemporal dependencies and
handling large input data, making it a promising choice for turbulent flow
prediction. Meanwhile, Multigrid Architecture utilizes multiple grids with
different resolutions to capture the multiscale nature of turbulent flows,
resulting in more accurate and efficient simulations.
Through our experiments, we demonstrate the effectiveness of our proposed
approach, named MGxTransformer, in accurately predicting velocity, temperature,
and turbulence intensity for incompressible turbulent flows across various
geometries and flow conditions. Our results exhibit superior accuracy compared
to other baselines, while maintaining computational efficiency.
- Abstract（参考訳）: 乱流シミュレーションは航空機や船舶の設計、産業プロセス最適化、気象予報など様々な応用において重要な役割を果たす。
本稿では,乱流をシミュレートする高度なデータ駆動手法を提案する。
提案手法は,ビデオ予測変換器 (VPTR) (Ye & Bilodeau, 2022) とマルチグリッドアーキテクチャ (MgConv, MgResnet) (Ke et al., 2017) の長所を組み合わせたものである。
VPTRは複雑な時空間依存のキャプチャと大きな入力データの処理に優れており、乱流の予測には有望な選択肢である。
一方、マルチグリッドアーキテクチャでは、異なる解像度の複数のグリッドを用いて乱流のマルチスケールの性質を捉え、より正確で効率的なシミュレーションを行う。
提案手法であるmgxtransformerを用いて, 様々な地形や流れ条件における非圧縮性乱流の流速, 温度, 乱流強度を正確に予測する実験を行った。
その結果,計算効率を保ちながら,他のベースラインよりも精度が高いことがわかった。
関連論文リスト
- FlowBench: A Large Scale Benchmark for Flow Simulation over Complex
Geometries [19.15738125919099]
FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。
FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
論文 参考訳（メタデータ） (2024-09-26T16:38:48Z) - Quantum-Inspired Fluid Simulation of 2D Turbulence with GPU Acceleration [0.894484621897981]
本研究では,速度を行列積状態とするNavier-Stokes方程式の解法について検討する。
我々の適応はシミュレーションを最大12.1倍スピードアップさせる。
このアルゴリズムは乱流状態の直接数値シミュレーションに対して潜在的に有利であることがわかった。
論文 参考訳（メタデータ） (2024-06-25T10:31:20Z) - 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) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳（メタデータ） (2023-03-04T07:24:22Z) - 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) - 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) - PREPRINT: Comparison of deep learning and hand crafted features for
mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。
このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。
16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文 参考訳（メタデータ） (2021-03-11T09:28:00Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z) - 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。