論文の概要: Identification of vortex in unstructured mesh with graph neural networks

• arxiv url: http://arxiv.org/abs/2311.06557v1
• Date: Sat, 11 Nov 2023 12:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 18:10:42.887157
• Title: Identification of vortex in unstructured mesh with graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた非構造メッシュ内の渦の同定
• Authors: Lianfa Wang, Yvan Fournier, Jean-Francois Wald, Youssef Mesri
• Abstract要約: 本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。 2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning has been employed to identify flow characteristics from Computational Fluid Dynamics (CFD) databases to assist the researcher to better understand the flow field, to optimize the geometry design and to select the correct CFD configuration for corresponding flow characteristics. Convolutional Neural Network (CNN) is one of the most popular algorithms used to extract and identify flow features. However its use, without any additional flow field interpolation, is limited to the simple domain geometry and regular meshes which limits its application to real industrial cases where complex geometry and irregular meshes are usually used. Aiming at the aforementioned problems, we present a Graph Neural Network (GNN) based model with U-Net architecture to identify the vortex in CFD results on unstructured meshes. The graph generation and graph hierarchy construction using algebraic multigrid method from CFD meshes are introduced. A vortex auto-labeling method is proposed to label vortex regions in 2D CFD meshes. We precise our approach by firstly optimizing the input set on CNNs, then benchmarking current GNN kernels against CNN model and evaluating the performances of GNN kernels in terms of classification accuracy, training efficiency and identified vortex morphology. Finally, we demonstrate the adaptability of our approach to unstructured meshes and generality to unseen cases with different turbulence models at different Reynolds numbers.
• Abstract（参考訳）: 深層学習は計算流体力学(cfd)データベースからの流れ特性を識別し、研究者が流れ場をよりよく理解できるように支援し、幾何学設計を最適化し、対応する流れ特性に対して正しいcfd構成を選択するために用いられる。 畳み込みニューラルネットワーク(CNN)は、フロー特徴の抽出と識別に最も一般的なアルゴリズムの1つである。 しかし、追加のフロー場補間なしでの使用は、複雑な幾何学や不規則なメッシュが通常用いられる実際の産業ケースに限定する単純なドメイン幾何学と正規メッシュに限られる。 上記の問題に着目し,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)モデルを提案する。 CFDメッシュからの代数的乗法を用いたグラフ生成とグラフ階層構築について述べる。 2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。 まず, cnn の入力セットを最適化し, cnn モデルに対する現在の gnn カーネルのベンチマークを行い, 分類精度, 訓練効率, 渦形態の同定により, gnn カーネルの性能評価を行った。 最後に,非構造メッシュへのアプローチの適応性と,レイノルズ数が異なる乱流モデルが異なる場合に対する一般性を示す。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Predicting Transonic Flowfields in Non-Homogeneous Unstructured Grids Using Autoencoder Graph Convolutional Networks [0.0]
  本稿では,計算流体力学(CFD)においてよく用いられる非均一非構造格子による問題に対処することに焦点を当てる。 我々のアプローチの核となるのは幾何学的深層学習、特にグラフ畳み込みネットワーク(GCN)の利用である。 新規なAutoencoder GCNアーキテクチャは、情報を遠隔ノードに伝播し、影響力のある点を強調することにより、予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-07T15:18:21Z)
• Enhancing Data-Assimilation in CFD using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワーク(GNN)モデルによる随伴最適化に基づく,流体力学に応用されたデータ同化のための新しい機械学習手法を提案する。 我々は,有限要素法(FEM)の解法に基づく直接数値シミュレーションを用いて,GNNモデルと解法の間の2次元のインターフェースにより,GNNの予測をFEM解析の処理後ステップに組み込むことができることを示す。
  論文  参考訳（メタデータ） (2023-11-29T19:11:40Z)
• Finite Volume Features, Global Geometry Representations, and Residual Training for Deep Learning-based CFD Simulation [8.472186259556597]
  グラフニューラルネットワーク(GNN)に基づくCFD法が提案されている。 本研究は,最短ベクトル(SV)と方向統合距離(DID)の2つの新しい幾何学的表現を提案する。 実験結果から, SV, DID, FVF, 残留訓練は, 現行GNN方式の予測誤差を最大41%低減できることがわかった。
  論文  参考訳（メタデータ） (2023-11-24T13:19:06Z)
• A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations [4.984601297028257]
  ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。 本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。 本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
  論文  参考訳（メタデータ） (2022-12-30T04:10:01Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。