論文の概要: Toward Discretization-Consistent Closure Schemes for Large Eddy
Simulation Using Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2309.06260v2
- Date: Wed, 13 Dec 2023 11:05:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 23:22:42.829089
- 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: 本研究では,大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手法を提案する。
LES閉鎖モデルの係数を適応させるタスクはマルコフ決定プロセスとしてフレーム化され、強化学習(RL)を用いて後続的に解決される。
新たに派生したすべてのモデルは、異なる離散化と解像度のために従来のモデルにマッチするか、より優れる正確な結果を得る。
- 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: This study proposes a novel method for developing discretization-consistent
closure schemes for implicitly filtered Large Eddy Simulation (LES). Here, 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. In
this work, the task of adapting the coefficients of LES closure models is thus
framed as a Markov decision process and solved in an a posteriori manner with
Reinforcement Learning (RL). This optimization framework is applied to both
explicit and implicit closure models. The explicit model is based on an
element-local eddy viscosity model. The optimized model is found to adapt its
induced viscosity within discontinuous Galerkin (DG) methods to homogenize the
dissipation within an element by adding more viscosity near its center. For the
implicit modeling, RL is applied to identify an optimal blending strategy for a
hybrid DG and Finite Volume (FV) scheme. The resulting optimized discretization
yields more accurate results in LES than either the pure DG or FV method and
renders itself as a viable modeling ansatz that could initiate a novel class of
high-order schemes for compressible turbulence by combining turbulence modeling
with shock capturing in a single framework. All newly derived models achieve
accurate results that either match or outperform traditional models for
different discretizations and resolutions. 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): 本研究では,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の開発手法を提案する。
ここで、誘導フィルタカーネル、すなわち閉包項は、グリッドと離散演算子の性質によって決定され、事前解析で一般的に知られていない計算サブグリッド項が追加される。
本研究では, LES閉包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フレーム化して, 強化学習(RL)を用いた後処理で解決する。
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。
明示的なモデルは要素局所渦粘性モデルに基づいている。
最適化されたモデルは、不連続なガレルキン(dg)法で誘導された粘度に適応し、その中心付近でより粘度を加えることにより、元素内の散逸を均質化する。
暗黙的モデリングのために、rlはハイブリッドdgおよび有限体積(fv)スキームの最適ブレンド戦略を特定するために適用される。
その結果、最適化された離散化により、純粋なdg法やfv法よりもlesの精度が向上し、単一のフレームワークにおける乱流モデリングと衝撃捕捉を組み合わせることで圧縮性乱流のための新しい高次スキームのクラスを開始することができる、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ことができる。
新たに派生した全てのモデルは、異なる離散化と解像度のために従来のモデルと一致するか、より優れた結果を得る。
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
- Nested Annealed Training Scheme for Generative Adversarial Networks [54.70743279423088]
本稿では、厳密な数学的理論的枠組みである複合機能段階GAN(CFG)に焦点を当てる。
CFGモデルとスコアベースモデルとの理論的関係を明らかにする。
CFG判別器の学習目的は最適D(x)を求めることと等価であることがわかった。
論文 参考訳(メタデータ) (2025-01-20T07:44:09Z) - 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) - Efficient Algorithms for Regularized Nonnegative Scale-invariant Low-rank Approximation Models [3.6034001987137767]
低ランク近似モデルにおける正規化関数の役割について検討する。
本稿では,$ell_pp$-regularized non- negative low-rank approximation を扱える汎用なMajorization-Minimization (MM)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-27T12:49:14Z) - 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) - 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) - 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。