論文の概要: Finite Volume Features, Global Geometry Representations, and Residual
Training for Deep Learning-based CFD Simulation
- arxiv url: http://arxiv.org/abs/2311.14464v1
- Date: Fri, 24 Nov 2023 13:19:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 15:14:16.693183
- Title: Finite Volume Features, Global Geometry Representations, and Residual
Training for Deep Learning-based CFD Simulation
- Title（参考訳）: 深層学習に基づくCFDシミュレーションのための有限体積特徴量、グローバル幾何表現および残留訓練
- Authors: Loh Sher En Jessica, Naheed Anjum Arafat, Wei Xian Lim, Wai Lee Chan
and Adams Wai Kin Kong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.472186259556597
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational fluid dynamics (CFD) simulation is an irreplaceable modelling
step in many engineering designs, but it is often computationally expensive.
Some graph neural network (GNN)-based CFD methods have been proposed. However,
the current methods inherit the weakness of traditional numerical simulators,
as well as ignore the cell characteristics in the mesh used in the finite
volume method, a common method in practical CFD applications. Specifically, the
input nodes in these GNN methods have very limited information about any object
immersed in the simulation domain and its surrounding environment. Also, the
cell characteristics of the mesh such as cell volume, face surface area, and
face centroid are not included in the message-passing operations in the GNN
methods. To address these weaknesses, this work proposes two novel geometric
representations: Shortest Vector (SV) and Directional Integrated Distance
(DID). Extracted from the mesh, the SV and DID provide global geometry
perspective to each input node, thus removing the need to collect this
information through message-passing. This work also introduces the use of
Finite Volume Features (FVF) in the graph convolutions as node and edge
attributes, enabling its message-passing operations to adjust to different
nodes. Finally, this work is the first to demonstrate how residual training,
with the availability of low-resolution data, can be adopted to improve the
flow field prediction accuracy. Experimental results on two datasets with five
different state-of-the-art GNN methods for CFD indicate that SV, DID, FVF and
residual training can effectively reduce the predictive error of current
GNN-based methods by as much as 41%.
- Abstract（参考訳）: 計算流体力学(CFD)(Computational fluid dynamics)シミュレーションは、多くの工学設計において、置換不可能なモデリングステップである。
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。
しかし,本手法は従来の数値シミュレータの弱点を継承し,実用的なcfd応用法である有限体積法で用いられるメッシュのセル特性を無視する。
具体的には、これらのGNN手法の入力ノードは、シミュレーション領域とその周辺環境に没入したオブジェクトについて非常に限られた情報を持っている。
また、GNN法では、メッセージパス操作には、セルボリューム、顔表面積、顔セントロイドなどのメッシュのセル特性は含まれない。
これらの弱点に対処するため、本研究では、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。
メッシュから抽出されたSVとDIDは、各入力ノードにグローバルな幾何学的視点を提供するため、メッセージパッシングを通じてこれらの情報を収集する必要がなくなる。
この作業では、グラフの畳み込みをノードとエッジ属性として使用するFVF(Finite Volume Features)も導入され、メッセージパッシング操作を異なるノードに調整できるようになった。
最後に、この研究は、低分解能データの入手が可能な残差トレーニングをどのように適用してフロー場予測精度を向上させるかを示す最初のものである。
CFDのための5つの最先端GNN手法を用いた2つのデータセットの実験結果から,SV,DID,FVF,残差トレーニングが,現行GNN方式の予測誤差を最大41%低減できることが示された。
関連論文リスト
- Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。
その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
論文 参考訳（メタデータ） (2024-11-14T14:31:52Z) - 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) - Identification of vortex in unstructured mesh with graph neural networks [0.0]
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。
論文 参考訳（メタデータ） (2023-11-11T12:10:16Z) - 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) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - 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) - 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) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z)
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。