論文の概要: Differentiable Turbulence II
- arxiv url: http://arxiv.org/abs/2307.13533v1
- Date: Tue, 25 Jul 2023 14:27:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 16:47:21.586470
- Title: Differentiable Turbulence II
- Title(参考訳): 微分可能な乱流II
- Authors: Varun Shankar, Romit Maulik, Venkatasubramanian Viswanathan
- Abstract要約: そこで我々は,Navier-Stokes方程式を解くために,ディープラーニングモデルを汎用有限要素数値スキームに統合するためのフレームワークを開発した。
学習したクロージャは、より微細なグリッド上の従来の大規模渦シミュレーションに匹敵する精度で10倍のスピードアップを達成できることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differentiable fluid simulators are increasingly demonstrating value as
useful tools for developing data-driven models in computational fluid dynamics
(CFD). Differentiable turbulence, or the end-to-end training of machine
learning (ML) models embedded in CFD solution algorithms, captures both the
generalization power and limited upfront cost of physics-based simulations, and
the flexibility and automated training of deep learning methods. We develop a
framework for integrating deep learning models into a generic finite element
numerical scheme for solving the Navier-Stokes equations, applying the
technique to learn a sub-grid scale closure using a multi-scale graph neural
network. We demonstrate the method on several realizations of flow over a
backwards-facing step, testing on both unseen Reynolds numbers and new
geometry. We show that the learned closure can achieve accuracy comparable to
traditional large eddy simulation on a finer grid that amounts to an equivalent
speedup of 10x. As the desire and need for cheaper CFD simulations grows, we
see hybrid physics-ML methods as a path forward to be exploited in the near
future.
- Abstract(参考訳): 微分可能な流体シミュレータは、計算流体力学(CFD)におけるデータ駆動モデルの開発に有用なツールとして、ますます価値を誇示している。
CFDソリューションアルゴリズムに組み込まれた機械学習モデル(ML)のエンドツーエンドトレーニングである微分乱流は、物理ベースのシミュレーションの一般化パワーと制限された事前コストの両方をキャプチャし、ディープラーニングメソッドの柔軟性と自動トレーニングを行う。
我々は,ディープラーニングモデルをNavier-Stokes方程式を解くための汎用有限要素数値スキームに統合するためのフレームワークを開発し,マルチスケールグラフニューラルネットワークを用いてサブグリッドスケールクロージャを学習する手法を適用した。
本手法は,逆向きのステップ上での流れを複数実現し,未知のレイノルズ数と新しい幾何学の両方をテストする。
学習したクロージャは、より微細なグリッド上の従来の大規模渦シミュレーションに匹敵する精度で10倍のスピードアップを達成できることを示す。
より安価なCFDシミュレーションの欲求とニーズが高まるにつれて、近い将来、ハイブリッド物理-ML手法が活用される道のりとして見なされる。
関連論文リスト
- Meta-Learning for Airflow Simulations with Graph Neural Networks [3.52359746858894]
本稿では,OoD(Out-of-distribution)サンプルにおける学習モデルの性能向上のためのメタラーニング手法を提案する。
具体的には,各気翼上のCFD内の気流シミュレーションをメタラーニング問題として設定し,一つの気翼形状で定義された各例を個別のタスクとして扱う。
学習モデルのOoD一般化性能向上のための提案手法の有効性を実験的に検証した。
論文 参考訳(メタデータ) (2023-06-18T19:25:13Z) - 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) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳(メタデータ) (2022-11-09T09:55:14Z) - 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) - 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) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2~4桁高速である。
論文 参考訳(メタデータ) (2022-05-05T13:33:03Z) - Stacked Generative Machine Learning Models for Fast Approximations of
Steady-State Navier-Stokes Equations [1.4150517264592128]
種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。
ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。
我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
論文 参考訳(メタデータ) (2021-12-13T05:08:55Z) - 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) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳(メタデータ) (2020-06-15T20:59:28Z)
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。