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
- Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks [0.9217021281095907]
粘弾性乱流における壁面近傍の瞬時流れの予測にはニューラルネットワークモデルが用いられている。
壁面上の数値シミュレーションデータを用いて3つの壁面正規位置における瞬時速度変動と高分子ストレス変動を予測する。
論文 参考訳(メタデータ) (2024-04-22T12:19:00Z) - 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) - 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 [71.21948217845167]
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) - Learning to Estimate and Refine Fluid Motion with Physical Dynamics [9.258258917049845]
流体流量推定のための教師なし学習に基づく予測補正手法を提案する。
推定はまずPDE制約の光フロー予測器によって与えられ、次に物理ベースの補正器によって洗練される。
提案手法は,地上の真理情報が効果的に理解できない複雑な実世界の流体シナリオに一般化することができる。
論文 参考訳(メタデータ) (2022-06-21T15:46:49Z) - 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) - Physics-informed neural networks for improving cerebral hemodynamics
predictions [0.0]
本研究では,高速計算流体力学シミュレーションを用いて,スパースな臨床測定を増強する物理インフォームド・ディープラーニング・フレームワークを提案する。
本フレームワークでは,脳内数箇所のリアルタイムTD速度測定と,3次元画像から取得した基線血管断面領域を用いた。
4次元MRIで得られた生体内速度測定に対して,本モデルの有効性を検証した。
論文 参考訳(メタデータ) (2021-08-25T22:19:41Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - 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。