論文の概要: Toward Discretization-Consistent Closure Schemes for Large Eddy
Simulation Using Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2309.06260v1
- Date: Tue, 12 Sep 2023 14:20:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 12:41:41.062892
- Title: Toward Discretization-Consistent Closure Schemes for Large Eddy
Simulation Using Reinforcement Learning
- Title（参考訳）: 強化学習を用いた大規模渦シミュレーションのための離散化整合閉包スキームの提案
- Authors: Andrea Beck and Marius Kurz
- Abstract要約: 大規模渦シミュレーション(LES)のための離散化整合閉包法の開発法を提案する。
LES閉包モデルの係数を適用するタスクはマルコフ決定プロセスとして定式化され、強化学習(RL)を用いて後続的に解決される。
暗黙的モデリングでは、RLを用いてハイブリッド不連続なガレルキン(DG)と有限体積スキームの最適ブレンディング戦略を特定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel method for developing discretization-consistent closure
schemes for implicitly filtered Large Eddy Simulation (LES). In implicitly
filtered LES, the induced filter kernel, and thus the closure terms, are
determined by the properties of the grid and the discretization operator,
leading to additional computational subgrid terms that are generally unknown in
a priori analysis. Therefore, the task of adapting the coefficients of LES
closure models is formulated as a Markov decision process and solved in an a
posteriori manner with Reinforcement Learning (RL). This allows to adjust the
model to the actual discretization as it also incorporates the interaction
between the discretization and the model itself. This optimization framework is
applied to both explicit and implicit closure models. An element-local eddy
viscosity model is optimized as the explicit model. For the implicit modeling,
RL is applied to identify an optimal blending strategy for a hybrid
discontinuous Galerkin (DG) and finite volume scheme. All newly derived models
achieve accurate and consistent results, either matching or outperforming
classical state-of-the-art models for different discretizations and
resolutions. Moreover, the explicit model is demonstrated to adapt its
distribution of viscosity within the DG elements to the inhomogeneous
discretization properties of the operator. In the implicit case, the optimized
hybrid scheme renders itself as a viable modeling ansatz that could initiate a
new class of high order schemes for compressible turbulence. Overall, the
results demonstrate that the proposed RL optimization can provide
discretization-consistent closures that could reduce the uncertainty in
implicitly filtered LES.
- Abstract（参考訳）: 暗黙的にフィルタされた大渦シミュレーション(LES)のための離散化整合クロージャ手法を提案する。
暗黙的にフィルタされた les では、誘導フィルタカーネル(英語版)と閉包項は、グリッドと離散演算子の性質によって決定される。
したがって、LES閉鎖モデルの係数を適応させるタスクをマルコフ決定プロセスとして定式化し、強化学習(RL)を用いて後続的に解決する。
これにより、離散化とモデル自体とのインタラクションも組み込まれているため、実際の離散化に合わせてモデルを調整できる。
この最適化フレームワークは、明示的および暗黙的なクロージャモデルの両方に適用される。
要素局所渦粘度モデルを明示モデルとして最適化する。
暗黙的モデリングでは、RLを用いてハイブリッド不連続なガレルキン(DG)と有限体積スキームの最適ブレンディング戦略を特定する。
新たに派生したすべてのモデルは、異なる離散化と分解のための古典的最先端モデルに一致するか、より優れているか、正確で一貫した結果を得る。
さらに、明示的なモデルは、DG要素内の粘度の分布を作用素の不均一な離散化特性に適応させることが示される。
暗黙の場合には、最適化されたハイブリッドスキームは、圧縮可能な乱流のための新しい高次スキームのクラスを起動する実行可能なモデリング ansatz として自身をレンダリングする。
全体として、提案するrl最適化は、暗黙的にフィルタされたlesの不確かさを低減できる離散化一貫性のあるクロージャを提供することができることを示した。
関連論文リスト
- Adjoint Matching: Fine-tuning Flow and Diffusion Generative Models with Memoryless Stochastic Optimal Control [26.195547996552406]
我々は,反復的プロセスを通じてサンプルを生成する動的生成モデルに対して,報酬微調整を最適制御(SOC)として用いた。
提案手法は,報酬の微調整,一貫性の向上,リアリズム,人間の選好報酬モデルへの一般化など,既存の方法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2024-09-13T14:22:14Z) - Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。
PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
論文 参考訳（メタデータ） (2024-07-18T17:35:32Z) - Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳（メタデータ） (2024-02-15T08:51:49Z) - Multi-Response Heteroscedastic Gaussian Process Models and Their
Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。
後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。
提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文 参考訳（メタデータ） (2023-08-29T15:06:47Z) - On stable wrapper-based parameter selection method for efficient
ANN-based data-driven modeling of turbulent flows [2.0731505001992323]
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。
論文 参考訳（メタデータ） (2023-08-04T08:26:56Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳（メタデータ） (2023-05-31T16:31:24Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - Deep Reinforcement Learning for Turbulence Modeling in Large Eddy
Simulations [0.0]
本研究では,拡張学習フレームワークを用いて,暗黙的にフィルタされた大渦シミュレーションのための最適渦視率を求める。
訓練されたモデルが長期安定なシミュレーションを提供し、精度で確立された解析モデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-06-21T07:25:43Z) - A machine learning framework for LES closure terms [0.0]
我々は、暗黙の離散化に基づくフィルタと数値近似誤差を組み込んだLES閉包モデルの一貫した枠組みを導出する。
等方性等方性乱流の直接数値シミュレーション結果から, 異なるLESフィルタ関数の正確な閉包項を算出する。
与えられたアプリケーションに対して、GRUアーキテクチャは精度で明らかにネットワークよりも優れている。
論文 参考訳（メタデータ） (2020-10-01T08:42:37Z)
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。