論文の概要: CFDBench: A Comprehensive Benchmark for Machine Learning Methods in
Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2310.05963v1
- Date: Wed, 13 Sep 2023 06:30:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 03:54:59.336858
- Title: CFDBench: A Comprehensive Benchmark for Machine Learning Methods in
Fluid Dynamics
- Title(参考訳): CFDBench:流体力学における機械学習手法の総合ベンチマーク
- Authors: Yining Luo, Yingfa Chen, Zhen Zhang
- Abstract要約: 計算流体力学における4つの古典的問題を持つベンチマークCFDBenchを構築した。
CFDBenchの利点は(1)包括的であり、速度、圧力、空洞率などの一般的な物理パラメータを含む。
一般的なディープニューラルネットワークに適切な修正を加えてCFDBenchに適用し、より変化する入力の収容を可能にする。
- 参考スコア(独自算出の注目度): 3.5515897147281765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, applying deep learning to solve physics problems has
attracted much attention. Data-driven deep learning methods produce operators
that can learn solutions to the whole system of partial differential equations.
However, the existing methods are only evaluated on simple flow equations
(e.g., Burger's equation), and only consider the generalization ability on
different initial conditions. In this paper, we construct CFDBench, a benchmark
with four classic problems in computational fluid dynamics (CFD): lid-driven
cavity flow, laminar boundary layer flow in circular tubes, dam flows through
the steps, and periodic Karman vortex street. Each flow problem includes data
with different boundary conditions, fluid physical properties, and domain
geometry. Compared to existing datasets, the advantages of CFDBench are (1)
comprehensive. It contains common physical parameters such as velocity,
pressure, and cavity fraction. (2) realistic. It is very suitable for deep
learning solutions of fluid mechanics equations. (3) challenging. It has a
certain learning difficulty, prompting to find models with strong learning
ability. (4) standardized. CFDBench facilitates a comprehensive and fair
comparison of different deep learning methods for CFD. We make appropriate
modifications to popular deep neural networks to apply them to CFDBench and
enable the accommodation of more changing inputs. The evaluation on CFDBench
reveals some new shortcomings of existing works and we propose possible
directions for solving such problems.
- Abstract(参考訳): 近年,深層学習を物理学問題に適用する動きが注目されている。
データ駆動深層学習法は、偏微分方程式全体の解を学習できる演算子を生成する。
しかし、既存の手法は単純な流れ方程式(例えばバーガー方程式)でのみ評価され、異なる初期条件における一般化能力のみを考える。
本稿では,計算流体力学(CFD)における4つの古典的問題(蓋駆動キャビティフロー,円管内層境界層フロー,段差を流れるダム,周期的なカルマン渦路)のベンチマークであるCFDBenchを構築した。
各フロー問題には、異なる境界条件、流体物性、および領域幾何学のデータが含まれる。
既存のデータセットと比較して、CFDBenchの利点は(1)包括的である。
速度、圧力、空洞率などの一般的な物理パラメータを含む。
(2)現実的。
これは流体力学方程式の深層学習解に非常に適している。
(3)挑戦。
ある程度の学習困難があり、強力な学習能力を持つモデルを見つけるよう促す。
(4) 規格化。
CFDBenchは、CFDの異なるディープラーニングメソッドの包括的で公正な比較を容易にする。
一般的なディープニューラルネットワークに適切な修正を加えてCFDBenchに適用し、より変化する入力の収容を可能にする。
cfdbenchの評価により,既存の課題の新たな欠点が明らかになり,その解決方法が提案されている。
関連論文リスト
- Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。
その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
論文 参考訳(メタデータ) (2024-11-14T14:31:52Z) - Conditional diffusions for neural posterior estimation [8.37884129644711]
NPEの正規化フローの代替として条件拡散の有効性を示す。
その結果,より単純で浅いモデルであっても,安定性の向上,精度の向上,トレーニング時間の短縮が得られた。
論文 参考訳(メタデータ) (2024-10-24T19:13:13Z) - Spectral-Refiner: Fine-Tuning of Accurate Spatiotemporal Neural Operator for Turbulent Flows [6.961408873053586]
本稿では,ボヒナー空間間のマップを学習する新しい時間的ニューラル演算子(SFNO)と,これらの問題に対処する新しい学習フレームワークを提案する。
この新しいパラダイムは、従来の数値PDE理論と技法の知恵を利用して、一般的に採用されているエンドツーエンドのニューラル演算子のトレーニングと評価のパイプラインを洗練する。
2次元NSEのための一般的なベンチマークの数値実験は、エンドツーエンド評価や従来の数値PDEソルバと比較して計算効率と精度の両方が大幅に向上した。
論文 参考訳(メタデータ) (2024-05-27T14:33:06Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳(メタデータ) (2023-03-17T02:01:11Z) - Boosting Low-Data Instance Segmentation by Unsupervised Pre-training
with Saliency Prompt [103.58323875748427]
この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。
近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。
実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-02-02T15:49:03Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-09-29T07:46:54Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Finite volume method network for acceleration of unsteady computational
fluid dynamics: non-reacting and reacting flows [0.0]
CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。
反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
論文 参考訳(メタデータ) (2021-05-07T15:33:49Z) - Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。
これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。
実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文 参考訳(メタデータ) (2020-11-14T09:51:51Z) - DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep
Convolutional Neural Networks [5.380828749672078]
DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。
DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
論文 参考訳(メタデータ) (2020-04-19T12:00:37Z)
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。