論文の概要: Uncovering wall-shear stress dynamics from neural-network enhanced fluid flow measurements

• arxiv url: http://arxiv.org/abs/2310.11147v2
• Date: Wed, 18 Oct 2023 10:03:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 12:29:57.870984
• Title: Uncovering wall-shear stress dynamics from neural-network enhanced fluid flow measurements
• Title（参考訳）: ニューラルネットワーク強化流体流計測による壁面応力ダイナミクスの解明
• Authors: Esther Lagemann, Steven L. Brunton and Christian Lagemann
• Abstract要約: 物体を通過または内部に移動する乱流流体からの摩擦抵抗は、輸送、公共事業インフラ、エネルギー技術、人間の健康といった様々な領域において重要な役割を担っている。 本稿では,物理知識を持つ深部光学フロー推定器を用いて,流れの測定から空間的・時間的分解能の優れた速度場と壁面応力場を導出する全体論的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.736093604280113
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Friction drag from a turbulent fluid moving past or inside an object plays a crucial role in domains as diverse as transportation, public utility infrastructure, energy technology, and human health. As a direct measure of the shear-induced friction forces, an accurate prediction of the wall-shear stress can contribute to sustainability, conservation of resources, and carbon neutrality in civil aviation as well as enhanced medical treatment of vascular diseases and cancer. Despite such importance for our modern society, we still lack adequate experimental methods to capture the instantaneous wall-shear stress dynamics. In this contribution, we present a holistic approach that derives velocity and wall-shear stress fields with impressive spatial and temporal resolution from flow measurements using a deep optical flow estimator with physical knowledge. The validity and physical correctness of the derived flow quantities is demonstrated with synthetic and real-world experimental data covering a range of relevant fluid flows.
• Abstract（参考訳）: 物体の通過や内部を移動する乱流からの摩擦抵抗は、輸送、公共事業インフラ、エネルギー技術、健康といった分野において重要な役割を担っている。 せん断によって引き起こされる摩擦力の直接の尺度として、壁面応力の正確な予測は、民間航空の持続性、資源の保存、炭素の中立性、および血管疾患や癌に対する治療の強化に寄与する。 現代社会にとってこのような重要性はありますが、壁面のストレスダイナミクスを捉えるための十分な実験方法がまだ欠如しています。 本稿では,物理知識を持つ深部光流量推定器を用いた流れ計測から,空間的および時間的分解能に印象的な速度場と壁面応力場を導出する総合的手法を提案する。 導出した流動量の妥当性と物理的正当性は, 関連する流体を包含する合成および実世界の実験データを用いて実証した。

関連論文リスト

• The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
  注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
  論文  参考訳（メタデータ） (2024-11-18T01:19:37Z)
• Water quality polluted by total suspended solids classified within an Artificial Neural Network approach [0.0]
  懸濁液による水質汚染は、環境と健康に重大なリスクをもたらす。 これらの課題に対処するために, 全懸濁固体から水質の包括的データセットを活用するモデルを開発した。 畳み込みニューラルネットワークは, 異なる懸濁液濃度に対応するデータを用いて, 伝達学習手法で訓練された。
  論文  参考訳（メタデータ） (2024-10-19T01:33:08Z)
• A deep learning approach to wall-shear stress quantification: From numerical training to zero-shot experimental application [2.2284889035802036]
  本稿では,乱流境界流の対数層から壁並列速度場を取り込み,深層学習アーキテクチャを提案する。 提案フレームワークは,手軽に利用可能な速度測定から,到達不能な壁面せん断応力情報を抽出する基盤となる。
  論文  参考訳（メタデータ） (2024-09-05T22:59:23Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks [0.9217021281095907]
  我々は,粘弾性乱流における壁面近傍の瞬時流れを予測するためにニューラルネットワークモデルを用いた。 これらのモデルでは、冬眠間隔における関心量の予測精度が向上した。 この方法は、フロー制御や、実験から利用可能な壁情報のみを使用する場合にも使用できる。
  論文  参考訳（メタデータ） (2024-04-22T12:19:00Z)
• Vision-Informed Flow Image Super-Resolution with Quaternion Spatial Modeling and Dynamic Flow Convolution [49.45309818782329]
  フロー画像超解像(FISR)は、低分解能フロー画像から高分解能乱流速度場を復元することを目的としている。 既存のFISR法は主に自然画像パターンのフロー画像を処理する。 第一流れの視覚特性インフォームドFISRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-29T06:48:16Z)
• HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
  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。
  論文  参考訳（メタデータ） (2023-10-16T16:38:32Z)
• On the characteristics of natural hydraulic dampers: An image-based approach to study the fluid flow behaviour inside the human meniscal tissue [0.0]
  メニスカスの内部層は、流体の流れを案内するコラーゲンチャネルによって、外側の層よりも柔らかく変形しやすくなっている。 我々は,ヒトメニスカスの内部構造における流体の流れを,入江速度の幅にわたって解析する。 いくつかのチャネルは、入江速度1.6m/sで1400のRe値を示し、ダーシー政権から非ダルシア政権への移行は入江速度0.02m/s付近で起こる。
  論文  参考訳（メタデータ） (2023-07-24T18:19:39Z)
• 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)
• Ultrafast viscosity measurement with ballistic optical tweezers [55.41644538483948]
  非侵襲粘度測定は秒の積分時間を必要とする。 速度を最大20マイクロ秒まで改善した4つの命令を実演する。 光学式ツイーザにおける捕捉粒子の瞬時速度を用いてこれを実現する。
  論文  参考訳（メタデータ） (2020-06-29T00:09:40Z)
• Deep Learning Convective Flow Using Conditional Generative Adversarial Networks [0.0]
  FluidGANは、エネルギー輸送と結合した時間依存の対流を学習し、予測することができる。 我々の枠組みは、基礎となる物理モデルが複雑または未知である決定論的多物理現象を理解するのに役立ちます。
  論文  参考訳（メタデータ） (2020-05-13T16:52:27Z)

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。