論文の概要: On stable wrapper-based parameter selection method for efficient
ANN-based data-driven modeling of turbulent flows
- arxiv url: http://arxiv.org/abs/2308.02602v1
- Date: Fri, 4 Aug 2023 08:26:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 19:49:14.632239
- Title: On stable wrapper-based parameter selection method for efficient
ANN-based data-driven modeling of turbulent flows
- Title（参考訳）: 乱流の効率的なデータ駆動モデリングのための安定ラッパーに基づくパラメータ選択法について
- Authors: Hyeongeun Yun, Yongcheol Choi, Youngjae Kim, and Seongwon Kang
- Abstract要約: 本研究の目的は,ニューラルネットワーク(ANN)とラッパー手法に基づくモデリングの削減手法を解析・開発することである。
その結果, 偏微分損失を最小化するための勾配に基づくサブセット選択は, 整合性向上をもたらすことがわかった。
縮小乱流Prendtl数モデルでは、勾配に基づくサブセット選択は、他の手法よりも検証ケースでの予測を改善する。
- 参考スコア（独自算出の注目度）: 2.0731505001992323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To model complex turbulent flow and heat transfer phenomena, this study aims
to analyze and develop a reduced modeling approach based on artificial neural
network (ANN) and wrapper methods. This approach has an advantage over other
methods such as the correlation-based filter method in terms of removing
redundant or irrelevant parameters even under non-linearity among them. As a
downside, the overfitting and randomness of ANN training may produce
inconsistent subsets over selection trials especially in a higher physical
dimension. This study analyzes a few existing ANN-based wrapper methods and
develops a revised one based on the gradient-based subset selection indices to
minimize the loss in the total derivative or the directional consistency at
each elimination step. To examine parameter reduction performance and
consistency-over-trials, we apply these methods to a manufactured subset
selection problem, modeling of the bubble size in a turbulent bubbly flow, and
modeling of the spatially varying turbulent Prandtl number in a duct flow. It
is found that the gradient-based subset selection to minimize the total
derivative loss results in improved consistency-over-trials compared to the
other ANN-based wrapper methods, while removing unnecessary parameters
successfully. For the reduced turbulent Prandtl number model, the
gradient-based subset selection improves the prediction in the validation case
over the other methods. Also, the reduced parameter subsets show a slight
increase in the training speed compared to the others.
- Abstract（参考訳）: 本研究では,複雑な乱流と伝熱現象をモデル化するために,ニューラルネットワーク(ann)とラッパー法に基づくモデリング手法を解析・開発することを目的とした。
このアプローチは,非線型性の下でも冗長パラメータや無関係パラメータを除去する手法として,相関に基づくフィルタ法のような他の手法よりも有利である。
欠点として、ANNトレーニングの過度な適合性とランダム性は、特に高次元において選択試験よりも一貫性のないサブセットを生成する可能性がある。
本研究は, 既存のANNラッパー法を解析し, 勾配に基づく部分集合選択指標に基づく修正手法を開発し, 各除去工程における全導関数の損失や方向整合性を最小化する。
パラメータ低減性能と整合性判定法について検討するため, 製造したサブセット選択問題に適用し, 乱流気泡流中の気泡径のモデル化, ダクト流中における空間的に変化する乱流プレンドル数のモデル化を行う。
その結果,完全導出損失を最小限に抑えるための勾配型部分集合選択は,他のan系ラッパー法と比較して精度が向上し,不要なパラメータを除去できた。
縮小乱流プレンドル数モデルでは、勾配に基づくサブセット選択は他の手法よりも検証ケースでの予測を改善する。
また、パラメータサブセットが減少すると、他の部分に比べてトレーニング速度がわずかに向上する。
関連論文リスト
- Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - A Metaheuristic for Amortized Search in High-Dimensional Parameter
Spaces [0.0]
本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。
DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。
実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
論文 参考訳（メタデータ） (2023-09-28T14:25:14Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳（メタデータ） (2023-06-09T18:01:14Z) - 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) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - An iterative multi-fidelity approach for model order reduction of
multi-dimensional input parametric PDE systems [0.0]
多次元入力パラメトリック空間を用いた大規模PDEシステムの縮小のためのサンプリングパラメトリック戦略を提案する。
これはパラメトリック空間全体の低忠実度モデルを効率的なサンプリング戦略を用いてサンプリングポイントに利用することで達成される。
提案手法は,低忠実度モデルを用いてソリューションデータベースを同化するため,オフライン段階での計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2023-01-23T15:25:58Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳（メタデータ） (2022-04-18T17:53:44Z) - Learned Turbulence Modelling with Differentiable Fluid Solvers [23.535052848123932]
我々は畳み込みニューラルネットワークに基づいて乱流モデルを訓練する。
これらのモデルは、シミュレーション時に非圧縮性ナビエ・ストークス方程式に対する未解決の低分解能解を改善する。
論文 参考訳（メタデータ） (2022-02-14T19:03:01Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳（メタデータ） (2020-10-22T05:04:38Z)
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。