論文の概要: Dimensionality Reduction and Dynamical Mode Recognition of Circular
Arrays of Flame Oscillators Using Deep Neural Network
- arxiv url: http://arxiv.org/abs/2312.02462v2
- Date: Wed, 13 Dec 2023 11:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 23:26:45.590754
- Title: Dimensionality Reduction and Dynamical Mode Recognition of Circular
Arrays of Flame Oscillators Using Deep Neural Network
- Title（参考訳）: 深部ニューラルネットワークを用いた火炎振動子の円配列の次元化と動的モード認識
- Authors: Weiming Xu, Tao Yang, Peng Zhang
- Abstract要約: 本研究では,振動燃焼系における動的モードを認識するための有望な手法 (Bi-LSTM-VAE-WDC) を提案する。
具体的には, 燃焼系の高次元時空間データを低次元位相空間に還元するために, Bi-LSTM-VAE次元縮小モデルを導入した。
その結果,新しいBi-LSTM-VAE法では位相点の非重複分布が生成され,非教師なしモード認識と分類が効果的であることが示唆された。
- 参考スコア（独自算出の注目度）: 7.966402372024724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Oscillatory combustion in aero engines and modern gas turbines often has
significant adverse effects on their operation, and accurately recognizing
various oscillation modes is the prerequisite for understanding and controlling
combustion instability. However, the high-dimensional spatial-temporal data of
a complex combustion system typically poses considerable challenges to the
dynamical mode recognition. Based on a two-layer bidirectional long short-term
memory variational autoencoder (Bi-LSTM-VAE) dimensionality reduction model and
a two-dimensional Wasserstein distance-based classifier (WDC), this study
proposes a promising method (Bi-LSTM-VAE-WDC) for recognizing dynamical modes
in oscillatory combustion systems. Specifically, the Bi-LSTM-VAE dimension
reduction model was introduced to reduce the high-dimensional spatial-temporal
data of the combustion system to a low-dimensional phase space; Gaussian kernel
density estimates (GKDE) were computed based on the distribution of phase
points in a grid; two-dimensional WD values were calculated from the GKDE maps
to recognize the oscillation modes. The time-series data used in this study
were obtained from numerical simulations of circular arrays of laminar flame
oscillators. The results show that the novel Bi-LSTM-VAE method can produce a
non-overlapping distribution of phase points, indicating an effective
unsupervised mode recognition and classification. Furthermore, the present
method exhibits a more prominent performance than VAE and PCA (principal
component analysis) for distinguishing dynamical modes in complex flame
systems, implying its potential in studying turbulent combustion.
- Abstract（参考訳）: エアロエンジンと現代のガスタービンの振動燃焼は運転に重大な悪影響を及ぼし、様々な振動モードを正確に認識することが燃焼不安定の理解と制御の必要条件である。
しかし、複雑な燃焼系の高次元時空間データは通常、動的モード認識にかなりの困難をもたらす。
本研究では, 双方向長周期メモリ変動オートエンコーダ(Bi-LSTM-VAE)次元削減モデルと2次元ワッサーシュタイン距離ベース分類器(WDC)に基づいて, 振動燃焼系の動的モードを認識するための有望な手法(Bi-LSTM-VAE-WDC)を提案する。
具体的には, 燃焼系の高次元時空間データを低次元位相空間に還元するためにBi-LSTM-VAE次元縮小モデルを導入し, 格子内の位相点分布に基づいてガウス核密度推定値(GKDE)を算出し, 振動モードを認識するために2次元WD値を算出した。
本研究で用いた時系列データは,層状火炎発振器の円形配列の数値シミュレーションにより得られた。
その結果,新しいBi-LSTM-VAE法では位相点の非重複分布が生成され,非教師なしモード認識と分類が効果的であることが示唆された。
さらに, 複雑な火炎系の動的モードを識別するためのVAEおよびPCA(主成分分析)よりも顕著な性能を示し, 乱流燃焼研究の可能性を示唆している。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Recurrent Deep Kernel Learning of Dynamical Systems [0.5825410941577593]
デジタル双対は計算効率の低い低次モデル(ROM)を必要とし、物理的資産の複雑な力学を正確に記述することができる。
データから低次元の潜伏空間を発見するために,データ駆動型非侵入型深層学習法(SVDKL)を提案する。
その結果,本フレームワークは, (i) 測定値の復調と再構成, (ii) システム状態のコンパクトな表現の学習, (iii) 低次元潜在空間におけるシステム進化の予測, (iv) 不確実性をモデル化できることがわかった。
論文 参考訳（メタデータ） (2024-05-30T07:49:02Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Dynamical Mode Recognition of Coupled Flame Oscillators by Supervised and Unsupervised Learning Approaches [7.088178570214894]
燃焼不安定は燃焼研究において最も困難な問題の一つである。
多くの燃焼システムの安全かつ信頼性の高い運転を保証するためには,燃焼不安定性の同定と理解が不可欠である。
論文 参考訳（メタデータ） (2024-04-27T06:44:39Z) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳（メタデータ） (2022-12-24T12:59:41Z) - Photoinduced prethermal order parameter dynamics in the two-dimensional
large-$N$ Hubbard-Heisenberg model [77.34726150561087]
2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。
2つの競合する位相間の光誘起遷移をシミュレートする。
論文 参考訳（メタデータ） (2022-05-13T13:13:31Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳（メタデータ） (2022-02-26T12:39:19Z) - Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse
Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。
我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。
シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-01-08T11:48:46Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic
Mode Decomposition [1.933681537640272]
半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。
複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。
本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
論文 参考訳（メタデータ） (2020-08-27T18:21:46Z)
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。