論文の概要: Three-dimensional granular flow simulation using graph neural
network-based learned simulator
- arxiv url: http://arxiv.org/abs/2311.07416v1
- Date: Mon, 13 Nov 2023 15:54:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 13:44:48.133386
- Title: Three-dimensional granular flow simulation using graph neural
network-based learned simulator
- Title（参考訳）: グラフニューラルネットワークを用いた学習シミュレータを用いた3次元粒状流れシミュレーション
- Authors: Yongjin Choi, Krishna Kumar
- Abstract要約: グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。
シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。
GNSの速度は300倍の高忠実度数値シミュレータを上回る。
- 参考スコア（独自算出の注目度）: 2.153852088624324
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable evaluations of geotechnical hazards like landslides and debris flow
require accurate simulation of granular flow dynamics. Traditional numerical
methods can simulate the complex behaviors of such flows that involve
solid-like to fluid-like transitions, but they are computationally intractable
when simulating large-scale systems. Surrogate models based on statistical or
machine learning methods are a viable alternative, but they are typically
empirical and rely on a confined set of parameters in evaluating associated
risks. Due to their permutation-dependent learning, conventional machine
learning models require an unreasonably large amount of training data for
building generalizable surrogate models. We employ a graph neural network
(GNN), a novel deep learning technique, to develop a GNN-based simulator (GNS)
for granular flows to address these issues. Graphs represent the state of
granular flows and interactions, like the exchange of energy and momentum
between grains, and GNN learns the local interaction law. GNS takes the current
state of the granular flow and estimates the next state using Euler explicit
integration. We train GNS on a limited set of granular flow trajectories and
evaluate its performance in a three-dimensional granular column collapse
domain. GNS successfully reproduces the overall behaviors of column collapses
with various aspect ratios that were not encountered during training. The
computation speed of GNS outperforms high-fidelity numerical simulators by 300
times.
- Abstract（参考訳）: 地すべりや土砂流などの地盤技術的危険性の信頼性評価には, 粒状流れの正確なシミュレーションが必要である。
従来の数値手法では、流体のような遷移に固体のような流れの複雑な挙動をシミュレートできるが、大規模系をシミュレートする際には計算が難しい。
統計的または機械学習手法に基づく代理モデルは、実行可能な代替手段であるが、一般的に経験的であり、関連するリスクを評価するのに限られたパラメータセットに依存している。
置換依存学習のため、従来の機械学習モデルは一般化可能なサロゲートモデルを構築するために不当に大量のトレーニングデータを必要とする。
我々は,グラフニューラルネットワーク(GNN)を用いて,これらの問題に対処するための粒状フローのためのGNNベースシミュレータ(GNS)を開発した。
グラフは粒子間のエネルギーと運動量の交換のような粒度の流れと相互作用の状態を表し、GNNは局所的な相互作用則を学ぶ。
GNSはグラニュラーフローの現在の状態をとり、オイラー明示積分を用いて次の状態を推定する。
我々は,粒状流路の限られたセットでGNSを訓練し,その性能を3次元の粒状カラム崩壊領域で評価する。
GNSは、訓練中に遭遇しなかった様々なアスペクト比でカラム崩壊の全体的な挙動を再現することに成功した。
GNSの計算速度は300倍の高忠実度数値シミュレータを上回る。
関連論文リスト
- Neural Graph Simulator for Complex Systems [0.0]
グラフ上の時間不変自律系をシミュレートするためのニューラルグラフシミュレータ(NGS)を導入する。
NGSは、支配方程式の事前知識を必要としないため、数値解法よりも大きな利点がある。
これは従来の手法よりも優れた計算効率を示し、厳密な問題の105ドル以上の性能を向上させる。
論文 参考訳（メタデータ） (2024-11-14T01:41:00Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Graph Neural Network-based surrogate model for granular flows [2.153852088624324]
粒状流速は地すべりや土砂流など,様々な技術的リスクを評価する上で重要である。
従来の連続法と離散法は、大規模システムのシミュレーションにおける計算コストによって制限される。
本研究では,局所的な相互作用法則を学習することにより,粒状流の現在の状態と次の状態を予測するグラフニューラルネットワークベースシミュレータ(GNS)を開発した。
論文 参考訳（メタデータ） (2023-05-09T07:28:12Z) - GNS: A generalizable Graph Neural Network-based simulator for
particulate and fluid modeling [2.132096006921048]
我々はPyTorchベースのグラフネットワークシミュレータ(GNS)を開発し、物理を学習し、粒子および流体系の流動挙動を予測する。
GNSは、物質点の集合を表すノードと、粒子または粒子のクラスター間の局所的な相互作用を表すノードを繋ぐリンクでドメインを識別する。
論文 参考訳（メタデータ） (2022-11-18T13:28:03Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Simulating Liquids with Graph Networks [25.013244956897832]
流体力学を学習するためのグラフニューラルネットワーク(GNN)について検討する。
以上の結果から,GNNなどの学習モデルでは,学習セットが他の問題固有の相関関係を欠きない限り,基礎となる力学を正確に学習できないことが示唆された。
論文 参考訳（メタデータ） (2022-03-14T15:39:27Z) - Boundary Graph Neural Networks for 3D Simulations [6.041255257177852]
バウンダリグラフニューラルネットワーク(BGNN)は、ホッパー、回転ドラム、ミキサーの複雑な3次元粒状フロープロセスで試験される。
BGNNは、何十万ものシミュレーションタイムステップに対して、シミュレーションの不確実性の中で3Dグラニュラーフローを正確に再現することができる。
論文 参考訳（メタデータ） (2021-06-21T17:56:07Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。