論文の概要: Redefining Super-Resolution: Fine-mesh PDE predictions without classical
simulations
- arxiv url: http://arxiv.org/abs/2311.09740v3
- Date: Mon, 27 Nov 2023 03:09:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 11:49:03.621487
- Title: Redefining Super-Resolution: Fine-mesh PDE predictions without classical
simulations
- Title(参考訳): 超解法の再定義:古典的シミュレーションを伴わないPDE予測
- Authors: Rajat Kumar Sarkar, Ritam Majumdar, Vishal Jadhav, Sagar Srinivas
Sakhinana, Venkataramana Runkana
- Abstract要約: PDEに基づく問題に適した超解像の新たな定義を提案する。
我々は、粗いグリッドシミュレーションデータを入力として使用し、詳細なグリッドシミュレーション結果を予測する。
本手法は,従来のシミュレーションを通したファイン・メッシュ・ソリューションの生成を可能にする。
- 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: In Computational Fluid Dynamics (CFD), coarse mesh simulations offer
computational efficiency but often lack precision. Applying conventional
super-resolution to these simulations poses a significant challenge due to the
fundamental contrast between downsampling high-resolution images and
authentically emulating low-resolution physics. The former method conserves
more of the underlying physics, surpassing the usual constraints of real-world
scenarios. We propose a novel definition of super-resolution tailored for
PDE-based problems. Instead of simply downsampling from a high-resolution
dataset, we use coarse-grid simulated data as our input and predict fine-grid
simulated outcomes. Employing a physics-infused UNet upscaling method, we
demonstrate its efficacy across various 2D-CFD problems such as discontinuity
detection in Burger's equation, Methane combustion, and fouling in Industrial
heat exchangers. Our method enables the generation of fine-mesh solutions
bypassing traditional simulation, ensuring considerable computational saving
and fidelity to the original ground truth outcomes. Through diverse boundary
conditions during training, we further establish the robustness of our method,
paving the way for its broad applications in engineering and scientific CFD
solvers.
- Abstract(参考訳): 計算流体力学(CFD)では、粗いメッシュシミュレーションは計算効率を提供するが、精度は低いことが多い。
これらのシミュレーションに従来の超解像を適用することは、高分解能画像のダウンサンプリングと低分解能物理のオーステンシャルエミュレーションの基本的なコントラストのために大きな課題となる。
前者の手法は、現実のシナリオの通常の制約を超越して、基礎となる物理学をより保存する。
PDEに基づく問題に適した超解像の新たな定義を提案する。
高解像度データセットから単純にサンプリングする代わりに、粗いグリッドシミュレーションデータを入力として使用し、細粒度シミュレーション結果を予測する。
物理拡散型UNetアップスケーリング法を用いて,バーガー方程式の不連続検出,メタン燃焼,産業熱交換器のファウリングなど,様々な2次元CFD問題に対して有効性を示す。
提案手法は,従来のシミュレーションを通過させることで,基礎となる真理結果に対する計算的保存と忠実性の確保を可能にする。
トレーニング中の境界条件の多様さにより,本手法の堅牢性をさらに確立し,工学および科学的CFD解法における幅広い応用の道を開く。
関連論文リスト
- NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin
Shell Theory [75.21240705566692]
既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。
ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。
メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
論文 参考訳(メタデータ) (2023-08-24T17:59:54Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data [0.0]
この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。
その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
論文 参考訳(メタデータ) (2022-10-28T15:27:46Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Machine Learning-Accelerated Computational Solid Mechanics: Application
to Linear Elasticity [0.0]
我々は、高解像度ラベル付きデータを用いることなく、物理系の支配方程式と境界条件を利用してモデルを訓練する。
超解場は、粗いメッシュ解像度の400倍の精度で進行数値計算器の精度と一致することを示した。
論文 参考訳(メタデータ) (2021-12-16T07:39:50Z) - Stacked Generative Machine Learning Models for Fast Approximations of
Steady-State Navier-Stokes Equations [1.4150517264592128]
種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。
ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。
我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
論文 参考訳(メタデータ) (2021-12-13T05:08:55Z) - Physics-Informed Neural Network Method for Solving One-Dimensional
Advection Equation Using PyTorch [0.0]
PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。
標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。
テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
論文 参考訳(メタデータ) (2021-03-15T05:39:17Z) - Using Machine Learning to Augment Coarse-Grid Computational Fluid
Dynamics Simulations [2.7892067588273517]
本研究では,高レイノルズ数での乱流の粗いグリッドシミュレーションにより発生する数値誤差を補正する機械学習(ML)手法を提案する。
提案手法は,高分解能な解軌道を得ることができるML-PDEハイブリッド解法である。
論文 参考訳(メタデータ) (2020-09-30T19:29:21Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z)
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。