論文の概要: The Principle of Minimum Pressure Gradient: An Alternative Basis for Physics-Informed Learning of Incompressible Fluid Mechanics

• arxiv url: http://arxiv.org/abs/2401.07489v1
• Date: Mon, 15 Jan 2024 06:12:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 17:58:13.736570
• Title: The Principle of Minimum Pressure Gradient: An Alternative Basis for Physics-Informed Learning of Incompressible Fluid Mechanics
• Title（参考訳）: 最小圧力勾配の原理:非圧縮性流体力学の物理インフォームドラーニングのための代替基礎
• Authors: Hussam Alhussein, Mohammed Daqaq
• Abstract要約: 提案手法は、最小圧力勾配の原理と連続性制約を組み合わせることで、ニューラルネットワークを訓練し、非圧縮性流体中の流れ場を予測する。 従来の手法と比較して,学習時間当たりの計算時間を短縮することを示す。
• 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: Recent advances in the application of physics-informed learning into the field of fluid mechanics have been predominantly grounded in the Newtonian framework, primarly leveraging Navier-Stokes Equation or one of its various derivative to train a neural network. Here, we propose an alternative approach based on variational methods. The proposed approach uses the principle of minimum pressure gradient combined with the continuity constraint to train a neural network and predict the flow field in incompressible fluids. We describe the underlying principles of the proposed approach, then use a demonstrative example to illustrate its implementation and show that it reduces the computational time per training epoch when compared to the conventional approach.
• Abstract（参考訳）: 流体力学の分野への物理学的インフォームド学習の応用における最近の進歩は、主にニュートンの枠組みに基礎を置き、navier-stokes方程式や、ニューラルネットワークを訓練するための様々な微分の1つを原始的に活用している。 本稿では,変分法に基づく代替手法を提案する。 提案手法では, 最小圧力勾配の原理と連続性制約を組み合わせることで, ニューラルネットワークを訓練し, 圧縮性流体中の流れ場を予測できる。 提案手法の基本原理を概説し,その実装を説明する上で実証的な例を用いて,従来の手法と比較した場合の学習1時間あたりの計算時間を短縮することを示す。

関連論文リスト

• Neural Networks-based Random Vortex Methods for Modelling Incompressible Flows [0.0]
  本稿では,(2D)非圧縮性ナビエ-ストークス方程式に対する解を近似するためのニューラルネットワークに基づく新しい手法を提案する。 このアルゴリズムは、ランダム渦力学の計算効率の良い定式化を利用する損失関数に基づいて、渦を近似する物理インフォームドニューラルネットワークを用いている。
  論文  参考訳（メタデータ） (2024-05-22T14:36:23Z)
• Transfer learning for improved generalizability in causal physics-informed neural networks for beam simulations [1.5654837992353716]
  本稿では,弾性基盤上のビームの力学をシミュレーションするための新しい手法を提案する。 具体的には、ウィンクラー財団のEuler-Bernoulli と Timoshenko ビームモデルが転写学習アプローチを用いてシミュレートされる。
  論文  参考訳（メタデータ） (2023-11-01T15:19:54Z)
• Learning the solution operator of two-dimensional incompressible Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
  パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。 物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
  論文  参考訳（メタデータ） (2023-08-04T05:09:06Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Physics-informed neural networks for the shallow-water equations on the sphere [0.0]
  物理誘導ニューラルネットワークは、所定の初期および境界データと共に微分方程式を満たすように訓練される。 比較的長い時間間隔のテストケースに取り組むための単純なマルチモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T16:47:40Z)
• A Framework for Fluid Motion Estimation using a Constraint-Based Refinement Approach [0.0]
  制約に基づく精錬手法を用いて流体運動推定のための一般的な枠組みを定式化する。 この結果から, 流体流動の古典的連続性方程式に基づく近似式が得られた。 また、系を対角化するコーシー・リーマン作用素との驚くべき関係を観察し、流れの発散と曲率を含む拡散現象を導いた。
  論文  参考訳（メタデータ） (2020-11-24T18:23:39Z)
• Developing Constrained Neural Units Over Time [81.19349325749037]
  本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。 ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。 提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
  論文  参考訳（メタデータ） (2020-09-01T09:07:25Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Physics-based polynomial neural networks for one-shot learning of dynamical systems from one or a few samples [0.0]
  本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。 提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
  論文  参考訳（メタデータ） (2020-05-24T09:27:10Z)
• Interpolation Technique to Speed Up Gradients Propagation in Neural ODEs [71.26657499537366]
  本稿では,ニューラルネットワークモデルにおける勾配の効率的な近似法を提案する。 我々は、分類、密度推定、推論近似タスクにおいて、ニューラルODEをトレーニングするリバースダイナミック手法と比較する。
  論文  参考訳（メタデータ） (2020-03-11T13:15:57Z)

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。