論文の概要: Generalizable improvement of the Spalart-Allmaras model through
assimilation of experimental data
- arxiv url: http://arxiv.org/abs/2309.06679v1
- Date: Wed, 13 Sep 2023 02:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 15:40:25.110885
- Title: Generalizable improvement of the Spalart-Allmaras model through
assimilation of experimental data
- Title（参考訳）: 実験データの同化によるspaart-allmarasモデルの一般化
- Authors: Deepinder Jot Singh Aulakh and Romit Maulik
- Abstract要約: 本研究では,Reynolds-a averageaged Navier-Stokes Solution of separated flowに対するSpalart-Allmaras(SA)クロージャモデルの改善のためのモデルとデータ融合の利用に焦点を当てた。
- 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 focuses on the use of model and data fusion for improving the
Spalart-Allmaras (SA) closure model for Reynolds-averaged Navier-Stokes
solutions of separated flows. In particular, our goal is to develop of models
that not-only assimilate sparse experimental data to improve performance in
computational models, but also generalize to unseen cases by recovering
classical SA behavior. We achieve our goals using data assimilation, namely the
Ensemble Kalman Filtering approach (EnKF), to calibrate the coefficients of the
SA model for separated flows. A holistic calibration strategy is implemented
via a parameterization of the production, diffusion, and destruction terms.
This calibration relies on the assimilation of experimental data collected
velocity profiles, skin friction, and pressure coefficients for separated
flows. Despite using of observational data from a single flow condition around
a backward-facing step (BFS), the recalibrated SA model demonstrates
generalization to other separated flows, including cases such as the 2D-bump
and modified BFS. Significant improvement is observed in the quantities of
interest, i.e., skin friction coefficient ($C_f$) and pressure coefficient
($C_p$) for each flow tested. Finally, it is also demonstrated that the newly
proposed model recovers SA proficiency for external, unseparated flows, such as
flow around a NACA-0012 airfoil without any danger of extrapolation, and that
the individually calibrated terms in the SA model are targeted towards specific
flow-physics wherein the calibrated production term improves the re-circulation
zone while destruction improves the recovery zone.
- Abstract（参考訳）: 本研究では,Reynolds-a averageaged Navier-Stokes Solution of separated flowに対するSpalart-Allmaras(SA)クロージャモデルの改善のためのモデルとデータ融合の利用に焦点を当てた。
特に,計算モデルの性能を向上させるためにスパース実験データを同化するだけでなく,古典的sa動作を回復して未発見の事例に一般化するモデルの開発が目的である。
分離流れに対するsaモデルの係数を校正するために,データ同化,すなわちアンサンブルカルマンフィルタ(enkf)を用いて目標を達成する。
総論的なキャリブレーション戦略は, 生産, 拡散, 破壊条件のパラメータ化によって実現される。
このキャリブレーションは、速度プロファイル、皮膚摩擦、分離流れの圧力係数を収集した実験データの同化に依存する。
逆向きステップ (BFS) の周囲の単一流れ状態からの観測データを用いても、2Dバンプや修正BFSを含む他の分離流れへの一般化が示される。
テストした各流れに対する皮膚摩擦係数(C_f$)および圧力係数(C_p$)の量の重要な改善が観察される。
最後に,新たに提案するモデルでは,naca-0012翼まわりの流れなどの外部分離されていない流れに対して,外挿の危険を伴わずにsa熟練度を回復し,saモデルの個別に調整された用語は,再循環ゾーンを改善し,破壊が回復ゾーンを改善する特定のフロー物理量を対象としていることを実証する。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Accelerated training of deep learning surrogate models for surface displacement and flow, with application to MCMC-based history matching of CO2 storage operations [0.0]
本研究では,CO2飽和度,圧力,表面変位を予測し,炭素貯蔵操作の履歴マッチングに用いるための新しいサロゲートモデリングフレームワークを提案する。
ここでのトレーニングには、多数の安価なフローオンリーのシミュレーションと、結合された実行回数のはるかに少ない組み合わせが含まれる。
論文 参考訳（メタデータ） (2024-08-20T10:31:52Z) - Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。
本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
論文 参考訳（メタデータ） (2024-06-23T20:34:18Z) - Post-training Quantization for Text-to-Image Diffusion Models with Progressive Calibration and Activation Relaxing [49.800746112114375]
本稿では,テキスト・画像拡散モデルのための学習後量子化手法(プログレッシブ・アンド・リラクシング)を提案する。
我々は,安定拡散XLの量子化を初めて達成し,その性能を維持した。
論文 参考訳（メタデータ） (2023-11-10T09:10:09Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - Exploring Continual Learning of Diffusion Models [24.061072903897664]
拡散モデルの連続学習(CL)特性を評価する。
我々は,拡散の時間経過にまたがる多様な行動を示す,忘れのダイナミクスに関する洞察を提供する。
論文 参考訳（メタデータ） (2023-03-27T15:52:14Z) - A unified method of data assimilation and turbulence modeling for
separated flows at high Reynolds numbers [0.0]
本稿では,データ同化と乱流モデリングの統一的アプローチとして,改良されたアンサンブルカルマン逆変換法を提案する。
DNNのトレーニング可能なパラメータは、与えられた実験的表面圧力係数に応じて最適化される。
その結果, 各種実験状態の連成同化により, 付着流と分離流の双方によく適応する乱流モデルが得られることがわかった。
論文 参考訳（メタデータ） (2022-11-01T17:17:53Z) - 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) - Rainfall-runoff prediction using a Gustafson-Kessel clustering based
Takagi-Sugeno Fuzzy model [0.0]
降雨流出モデルは、物理的アプローチまたはシステムベースのアプローチを用いて表面流出を予測する。
本稿では,Gustafson-Kesselクラスタリングに基づくTS Fuzzyモデルを用いた降雨流出モデルを提案する。
論文 参考訳（メタデータ） (2021-08-22T10:02:51Z) - Semi Conditional Variational Auto-Encoder for Flow Reconstruction and
Uncertainty Quantification from Limited Observations [0.0]
このモデルは条件付き変分自動エンコーダ(CVAE)のバージョンである
本モデルでは, 完全な流れデータから測定値の条件付けを行うと, デコーダのみが測定値に依存するCVAEが発生することを示す。
ベルゲン海モデルによるシリンダーまわりの2次元流れと底流のシミュレーションから得られた速度データから, 手法, 再構成, 関連する不確実性推定について述べる。
論文 参考訳（メタデータ） (2020-07-19T10:15:56Z) - Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。
LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
論文 参考訳（メタデータ） (2020-02-12T18:57:14Z)
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。