論文の概要: HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid
Prediction
- arxiv url: http://arxiv.org/abs/2310.10565v2
- Date: Sun, 4 Feb 2024 13:28:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 04:44:46.530804
- Title: HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid
Prediction
- Title(参考訳): HelmFluid: 解釈可能な流体予測のための学習ヘルムホルツダイナミクス
- Authors: Lanxiang Xing, Haixu Wu, Yuezhou Ma, Jianmin Wang, Mingsheng Long
- Abstract要約: HelmFluidは流体の正確かつ解釈可能な予測器である。
ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。
HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
- 参考スコア(独自算出の注目度): 71.21948217845167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fluid prediction is a long-standing challenge due to the intrinsic
high-dimensional non-linear dynamics. Previous methods usually utilize the
non-linear modeling capability of deep models to directly estimate velocity
fields for future prediction. However, skipping over inherent physical
properties but directly learning superficial velocity fields will overwhelm the
model from generating precise or physics-reliable results. In this paper, we
propose the HelmFluid toward an accurate and interpretable predictor for fluid.
Inspired by the Helmholtz theorem, we design a HelmDynamics block to learn
Helmholtz dynamics, which decomposes fluid dynamics into more solvable
curl-free and divergence-free parts, physically corresponding to potential and
stream functions of fluid. By embedding the HelmDynamics block into a
Multiscale Multihead Integral Architecture, HelmFluid can integrate learned
Helmholtz dynamics along temporal dimension in multiple spatial scales to yield
future fluid. Compared with previous velocity estimating methods, HelmFluid is
faithfully derived from Helmholtz theorem and ravels out complex fluid dynamics
with physically interpretable evidence. Experimentally, HelmFluid achieves
consistent state-of-the-art in both numerical simulated and real-world observed
benchmarks, even for scenarios with complex boundaries.
- Abstract(参考訳): 流体予測は、内在する高次元非線形動力学による長年の課題である。
従来の手法は通常、将来の予測のために直接速度場を推定するために深層モデルの非線形モデリング能力を利用する。
しかし、固有の物理的性質をスキップするが、表面の速度場を直接学習することは、モデルが正確で物理学的に信頼できる結果を生み出すのを圧倒する。
本稿では,HelmFluidを流体の高精度かつ解釈可能な予測器として提案する。
ヘルムホルツの定理にインスパイアされた我々はヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計し、流体力学をより解けるカールフリーで発散のない部分に分解し、流体のポテンシャルとストリーム関数に物理的に対応する。
HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールの時間次元に沿って統合し、将来の流体を得ることができる。
従来の速度推定法と比較して、ヘルムフルドはヘルムホルツの定理から忠実に導かれ、物理的に解釈可能な証拠を持つ複素流体力学を解明する。
実験上、helmfluidは数値シミュレーションと実世界の観測ベンチマークの両方において、複雑な境界を持つシナリオでも一貫した最先端を達成している。
関連論文リスト
- Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [11.179073198104504]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。
シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。
本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文 参考訳(メタデータ) (2024-02-09T09:40:12Z) - EuLagNet: Eulerian Fluid Prediction with Lagrangian Dynamics [71.21948217845167]
本稿では, タングルサム流体力学に対処する新しいラグランジアン誘導パラダイムを提案する。
ユーレリア観測に基づいて未来を予測するのではなく、ユーレリア・ラグランジアンデュアルリカレントネットワーク(EuLagNet)を提案する。
EuLagNetは、適応サンプリングされたキー粒子の複数のスケールでの運動を追跡することで、マルチスケールの流体力学をキャプチャする。
論文 参考訳(メタデータ) (2024-02-04T09:45:35Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳(メタデータ) (2022-10-05T15:46:28Z) - Data-driven, multi-moment fluid modeling of Landau damping [6.456946924438425]
プラズマ系の流体偏微分方程式(PDE)を学習するために,ディープラーニングアーキテクチャを適用した。
学習した多モーメント流体PDEはランダウ減衰などの運動効果を取り入れることを示した。
論文 参考訳(メタデータ) (2022-09-10T19:06:12Z) - Using Conservation Laws to Infer Deep Learning Model Accuracy of
Richtmyer-meshkov Instabilities [0.0]
Richtmyer-Meshkov不安定(RMI)は、衝撃波が摂動界面を通過するときに起こる複雑な現象である。
深層学習は、初期幾何学的摂動の時間的マッピングを密度と速度のフルフィールド流体力学解に学習するために用いられた。
ディープラーニングモデルからの予測は、時間的RMI生成を正確に捉えているように見える。
論文 参考訳(メタデータ) (2022-07-19T02:20:47Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳(メタデータ) (2022-03-03T15:13:29Z) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳(メタデータ) (2021-04-22T19:20:47Z)
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。