論文の概要: EuLagNet: Eulerian Fluid Prediction with Lagrangian Dynamics
- arxiv url: http://arxiv.org/abs/2402.02425v1
- Date: Sun, 4 Feb 2024 09:45:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 20:03:50.588723
- Title: EuLagNet: Eulerian Fluid Prediction with Lagrangian Dynamics
- Title(参考訳): EuLagNet:ラグランジアンダイナミクスを用いたユーレリア流体予測
- Authors: Qilong Ma, Haixu Wu, Lanxiang Xing, Jianmin Wang, Mingsheng Long
- Abstract要約: 本稿では, タングルサム流体力学に対処する新しいラグランジアン誘導パラダイムを提案する。
ユーレリア観測に基づいて未来を予測するのではなく、ユーレリア・ラグランジアンデュアルリカレントネットワーク(EuLagNet)を提案する。
EuLagNetは、適応サンプリングされたキー粒子の複数のスケールでの運動を追跡することで、マルチスケールの流体力学をキャプチャする。
- 参考スコア(独自算出の注目度): 71.21948217845167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately predicting the future fluid is important to extensive areas, such
as meteorology, oceanology and aerodynamics. However, since the fluid is
usually observed from an Eulerian perspective, its active and intricate
dynamics are seriously obscured and confounded in static grids, bringing horny
challenges to the prediction. This paper introduces a new Lagrangian-guided
paradigm to tackle the tanglesome fluid dynamics. Instead of solely predicting
the future based on Eulerian observations, we propose the Eulerian-Lagrangian
Dual Recurrent Network (EuLagNet), which captures multiscale fluid dynamics by
tracking movements of adaptively sampled key particles on multiple scales and
integrating dynamics information over time. Concretely, a EuLag Block is
presented to communicate the learned Eulerian and Lagrangian features at each
moment and scale, where the motion of tracked particles is inferred from
Eulerian observations and their accumulated dynamics information is
incorporated into Eulerian fields to guide future prediction. Tracking key
particles not only provides a clear and interpretable clue for fluid dynamics
but also makes our model free from modeling complex correlations among massive
grids for better efficiency. Experimentally, EuLagNet excels in three
challenging fluid prediction tasks, covering both 2D and 3D, simulated and
real-world fluids.
- Abstract(参考訳): 将来の流体を正確に予測することは、気象学、海洋学、空気力学など幅広い分野において重要である。
しかしながら、流体は通常ユーレウスの視点で観測されるため、その活発で複雑なダイナミクスは深刻な曖昧さと静的格子に構築され、予測に角質の挑戦をもたらす。
本稿では, タングルサム流体力学に対処する新しいラグランジアン誘導パラダイムを提案する。
Eulerian-Lagrangian Dual Recurrent Network (EuLagNet) はユーレリア・ラグランジアン・デュアル・リカレント・ネットワーク(EuLagNet)であり, 適応サンプリングされた鍵粒子の複数のスケールでの運動を追跡し, 時間とともに動的情報を統合することで, マルチスケールの流体力学を捉える。
具体的には、EuLagブロックを用いて学習したユーレリアとラグランジアンの特徴を各時点と規模で伝達し、追跡された粒子の動きをユーレリアの観測から推定し、それらの蓄積されたダイナミクス情報をユーレリアのフィールドに組み込んで将来の予測を導く。
主要粒子の追跡は流体力学の明確かつ解釈可能な手がかりを提供するだけでなく,大規模格子間の複雑な相関のモデル化を不要とし,効率を向上させる。
実験では、EuLagNetは3つの挑戦的な流体予測タスクに優れ、2Dと3Dの両方をカバーする。
関連論文リスト
- Universal Physics Transformers [13.328631403381797]
本稿では,幅広い時間的問題をモデル化する新しい学習パラダイムであるUniversal Physics Transformers(UPTs)を紹介する。
UPTはグリッドまたはパーティクルベースの潜在構造なしで動作し、メッシュとパーティクル間の柔軟性を実現する。
メッシュ系流体シミュレーション, 定常レイノルズ平均Navier-Stokesシミュレーション, ラグランジアン動力学におけるUTTの有効性を実証した。
論文 参考訳(メタデータ) (2024-02-19T18:52:13Z) - HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid
Prediction [71.21948217845167]
HelmFluidは流体の正確かつ解釈可能な予測器である。
ヘルムホルツの定理に触発され、ヘルムホルツの力学を学ぶためにヘルム力学ブロックを設計する。
HelmDynamicsブロックをマルチスケールのマルチヘッド積分アーキテクチャに埋め込むことで、HelmFluidは学習したHelmholtzダイナミクスを複数の空間スケールで時間次元に沿って統合することができる。
論文 参考訳(メタデータ) (2023-10-16T16:38:32Z) - Learning Vortex Dynamics for Fluid Inference and Prediction [25.969713036393895]
本研究では, 可変渦粒子を用いた新しい機械学習手法を提案し, 一つのビデオから流体力学を推論し, 予測する。
そこで我々は, 学習可能な渦対速度のダイナミックスマッピングと組み合わせて, 複雑な流れの特徴を効果的に捉え, 表現するために, 新たな微分可能渦粒子系を考案した。
論文 参考訳(メタデータ) (2023-01-27T02:10:05Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳(メタデータ) (2022-05-06T13:45:32Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳(メタデータ) (2022-03-03T15:13:29Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z) - Neural Vortex Method: from Finite Lagrangian Particles to Infinite
Dimensional Eulerian Dynamics [16.563723810812807]
ニューラル渦法(Neural Vortex Method, NVM)を提案する。
NVMはラグランジアン渦構造とその相互作用力学をニューラルネットワークで記述する。
これら2つのネットワークを渦対速度ポアソン解法で埋め込むことで、正確な流体力学を予測できる。
論文 参考訳(メタデータ) (2020-06-07T15:12:25Z) - AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud
Processing [14.160687527074858]
本稿では,流体力学における自然流現象を動機とした点雲処理のための物理に着想を得たディープラーニング手法を提案する。
我々の学習アーキテクチャは、静的背景格子とラグランジアン物質空間を用いて、移動粒子を用いてユーレリア世界のデータを共同で定義する。
本研究では,様々なポイントクラウドの分類とセグメンテーション問題を最先端性能で解くことで,本システムの有効性を実証する。
論文 参考訳(メタデータ) (2020-02-01T01:21:05Z)
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。