論文の概要: DualFluidNet: an Attention-based Dual-pipeline Network for Accurate and
Generalizable Fluid-solid Coupled Simulation
- arxiv url: http://arxiv.org/abs/2312.16867v1
- Date: Thu, 28 Dec 2023 07:37:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 16:58:58.747273
- Title: DualFluidNet: an Attention-based Dual-pipeline Network for Accurate and
Generalizable Fluid-solid Coupled Simulation
- Title(参考訳): DualFluidNet: 高精度で一般化可能な流体-固体結合シミュレーションのための注意型デュアルパイプネットワーク
- Authors: Yu Chen, Shuai Zheng, Menglong Jin, Yan Chang and Nianyi Wang
- Abstract要約: 本研究では,注意型デュアルパイプネットワークを用いた3次元流体シミュレーションの革新的手法を提案する。
十分に設計された双対パイプアプローチは、大域的な流体制御と物理法則のバランスを良くする。
- 参考スコア(独自算出の注目度): 5.036962526317354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fluid motion can be considered as point cloud transformation when adopted by
a Lagrangian description. Compared to traditional numerical analysis methods,
using machine learning techniques to learn physics simulations can achieve near
accuracy, while significantly increasing efficiency. In this paper, we propose
an innovative approach for 3D fluid simulations utilizing an Attention-based
Dual-pipeline Network, which employs a dual-pipeline architecture, seamlessly
integrated with an Attention-based Feature Fusion Module. Unlike previous
single-pipeline approaches, we find that a well-designed dual-pipeline approach
achieves a better balance between global fluid control and physical law
constraints. Furthermore, we design a Type-aware Input Module to adaptively
recognize particles of different types and perform feature fusion afterward,
such that fluid-solid coupling issues can be better dealt with. The experiments
show that our approach significantly increases the accuracy of fluid simulation
predictions and enhances generalizability to previously unseen scenarios. We
demonstrate its superior performance over the state-of-the-art approaches
across various metrics.
- Abstract(参考訳): 流体運動は、ラグランジアンの記述で採用された点雲変換と見なすことができる。
従来の数値解析手法と比較して、物理シミュレーションの学習に機械学習を用いると、ほぼ精度が向上し、効率は大幅に向上する。
本稿では,注意に基づく機能融合モジュールとシームレスに統合した2つのパイプラインアーキテクチャを用いた,注意に基づく2つのパイプラインネットワークを用いた3次元流体シミュレーションのための革新的な手法を提案する。
従来の単管式アプローチとは異なり、よく設計された二重管式アプローチは、大域的な流体制御と物理法則のバランスを良くする。
さらに,異なる種類の粒子を適応的に認識し,その後に機能融合を行うタイプアウェア入力モジュールを設計し,流体-固体結合問題に対処する。
実験の結果, 本手法は流体シミュレーション予測の精度を著しく向上させ, 従来考えられなかったシナリオの一般化性を高めた。
各種メトリクスの最先端アプローチよりも優れた性能を示す。
関連論文リスト
- Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological
Modeling using the Mass-Conserving-Perceptron [1.3597551064547502]
本研究では,機械学習技術の捕集規模の水理モデル開発への適用性について検討する。
ゴールは、与えられたキャッチメントの入力状態と出力の振る舞いを説明することができる支配的なプロセスを表す最小限の表現を見つけることである。
3つのセル状態と2つの主要な流れ経路を持つHyModのようなアーキテクチャは、我々の研究位置においてそのような表現を実現する。
論文 参考訳(メタデータ) (2024-01-25T21:26:49Z) - Differentiable Turbulence II [0.0]
そこで我々は,Navier-Stokes方程式を解くために,ディープラーニングモデルを汎用有限要素数値スキームに統合するためのフレームワークを開発した。
学習したクロージャは、より微細なグリッド上の従来の大規模渦シミュレーションに匹敵する精度で10倍のスピードアップを達成できることを示す。
論文 参考訳(メタデータ) (2023-07-25T14:27:49Z) - AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。
まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。
第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
論文 参考訳(メタデータ) (2023-04-19T16:18:47Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Machine Learning for Improved Gas Network Models in Coordinated Energy
Systems [0.0]
本研究では,非拘束型天然ガスの流動特性を改善するためのニューラルネットワーク最適化手法を提案する。
提案フレームワークは, 複雑な潜在的不正確なニューラル化アプローチを伴わずに, 双方向性を検討することができる。
論文 参考訳(メタデータ) (2022-09-26T14:34:26Z) - 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 fully-differentiable compressible high-order computational fluid
dynamics solver [0.0]
圧縮可能なナビエ・ストークス方程式は圧縮可能な流れを制御し、乱流や衝撃のような複雑な現象を許容する。
ハードウェアとソフトウェアが著しく進歩したにもかかわらず、流体流の最小のスケールでは、現実のアプリケーションでは計算コストが禁じられている。
本稿では,高次数値計算法を用いて圧縮性流体の計算を行うための,完全微分可能な3次元フレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-09T15:18:51Z) - Neural UpFlow: A Scene Flow Learning Approach to Increase the Apparent
Resolution of Particle-Based Liquids [0.6882042556551611]
本稿では,深層ニューラルネットワークを用いたシーンフロー推定に基づく高分解能液体の生成手法を提案する。
本手法は, 低分解能粒子ベース液体シミュレーションのみで, 小型・大規模の細部を推測, 合成する。
論文 参考訳(メタデータ) (2021-06-09T15:36:23Z) - Generative Flows with Invertible Attentions [135.23766216657745]
生成フローモデルに対する2種類の非可逆的注意機構を導入する。
フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。
提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
論文 参考訳(メタデータ) (2021-06-07T20:43:04Z) - Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。
計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。
本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
論文 参考訳(メタデータ) (2021-05-10T10:45:28Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z)
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。