論文の概要: Robust experimental data assimilation for the Spalart-Allmaras turbulence model
- arxiv url: http://arxiv.org/abs/2309.06679v3
- Date: Thu, 25 Jul 2024 02:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 19:56:25.701439
- Title: Robust experimental data assimilation for the Spalart-Allmaras turbulence model
- Title（参考訳）: Spalart-Allmaras乱流モデルに対するロバストな実験データ同化
- Authors: Deepinder Jot Singh Aulakh, Xiang Yang, Romit Maulik,
- Abstract要約: 本研究では,Reynolds-averaged Navier-Stokes ソリューションに対する Spalart-Allmaras (SA) クロージャモデルを改善するための計算モデルと実験データ融合の利用に焦点を当てた。
データ同化、すなわちEnsemble Kalman filtering approach(EnKF)を用いて、分離フローに対するSAモデルの係数をキャリブレーションする。
- 参考スコア（独自算出の注目度）: 1.0923877073891446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents a methodology focusing on the use of computational model and experimental data fusion to improve the Spalart-Allmaras (SA) closure model for Reynolds-averaged Navier-Stokes solutions. In particular, our goal is to develop a technique that not only assimilates sparse experimental data to improve turbulence model performance, but also preserves generalization for 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 the parameterization of the production, diffusion, and destruction terms. This calibration relies on the assimilation of experimental data collected in the form of velocity profiles, skin friction, and pressure coefficients. Despite using 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 NASA wall mounted hump (2D-WMH) 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 flows, such as a NACA-0012 airfoil and axisymmetric jet (ASJ), and that the individually calibrated terms in the SA model target 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-averaged Navier-Stokesソリューションに対するSpalart-Allmaras(SA)クロージャモデルを改善するために,計算モデルと実験データ融合の利用に焦点を当てた方法論を提案する。
特に, 乱流モデルの性能向上のために, スパース実験データを同化するだけでなく, 古典的なSAの挙動を復元することによって, 目に見えないケースの一般化を保った技術を開発することが目的である。
データ同化、すなわちEnsemble Kalman filtering approach(EnKF)を用いて、分離フローに対するSAモデルの係数をキャリブレーションする。
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、圧力係数の形で収集された実験データの同化に依存する。
後方向きステップ(BFS)の周囲の単一流れ状態からの観測データを用いたにもかかわらず、再検討されたSAモデルは、NASAの壁マウントハンプ(2D-WMH)や修正されたBFSなどの他の分離フローへの一般化を実証している。
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。
また, NACA-0012 翼や軸対称噴流 (ASJ) などの流れに対するSA能率の回復を図り, 個別に調整されたSA型ターゲット比流量場において, キャリブレーションされた生産期間が再循環域を改善するとともに, 回復域を改善することを実証した。
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。