論文の概要: Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2402.06275v1
- Date: Fri, 9 Feb 2024 09:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:30:32.437487
- Title: Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics
- Title(参考訳): ニューラルSPH:ラグランジアン流体力学のニューラルモデリングの改善
- Authors: Artur P. Toshev, Jonas A. Erbesdobler, Nikolaus A. Adams, Johannes
Brandstetter
- Abstract要約: 平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。
シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。
本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
- 参考スコア(独自算出の注目度): 11.179073198104504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smoothed particle hydrodynamics (SPH) is omnipresent in modern engineering
and scientific disciplines. SPH is a class of Lagrangian schemes that
discretize fluid dynamics via finite material points that are tracked through
the evolving velocity field. Due to the particle-like nature of the simulation,
graph neural networks (GNNs) have emerged as appealing and successful
surrogates. However, the practical utility of such GNN-based simulators relies
on their ability to faithfully model physics, providing accurate and stable
predictions over long time horizons - which is a notoriously hard problem. In
this work, we identify particle clustering originating from tensile
instabilities as one of the primary pitfalls. Based on these insights, we
enhance both training and rollout inference of state-of-the-art GNN-based
simulators with varying components from standard SPH solvers, including
pressure, viscous, and external force components. All neural SPH-enhanced
simulators achieve better performance, often by orders of magnitude, than the
baseline GNNs, allowing for significantly longer rollouts and significantly
better physics modeling. Code available under
(https://github.com/tumaer/neuralsph).
- Abstract(参考訳): smoothed particle hydrodynamics (sph) は現代の工学と科学の分野に共通している。
SPHは、発展速度場を通して追跡される有限物質点を通して流体力学を離散化するラグランジアンスキームのクラスである。
シミュレーションの粒子的な性質から、グラフニューラルネットワーク(gnns)は魅力的で成功したサロゲートとして現れている。
しかし、そのようなGNNベースのシミュレータの実用性は、物理学を忠実にモデル化する能力に依存しており、長期間の地平線上で正確で安定した予測を提供する。
本研究では,引張不安定性に起因する粒子クラスタリングを,主な落とし穴の1つとして同定する。
これらの知見に基づき, 圧力, 粘性, 外部力成分を含む標準SPHソルバから, 各種成分を含む最先端GNNシミュレータのトレーニングとロールアウト推論の両立を図る。
すべてのSPH強化シミュレータは、ベースラインのGNNよりも桁違いに性能が向上し、ロールアウトが大幅に長くなり、物理モデリングが大幅に向上する。
コードはhttps://github.com/tumaer/neuralsph)。
関連論文リスト
- Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳(メタデータ) (2024-02-11T17:40:26Z) - Three-dimensional granular flow simulation using graph neural
network-based learned simulator [2.153852088624324]
グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。
シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。
GNSの速度は300倍の高忠実度数値シミュレータを上回る。
論文 参考訳(メタデータ) (2023-11-13T15:54:09Z) - NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin
Shell Theory [75.21240705566692]
既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。
ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。
メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
論文 参考訳(メタデータ) (2023-08-24T17:59:54Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳(メタデータ) (2022-11-02T10:33:38Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳(メタデータ) (2022-04-13T08:53:41Z) - 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) - Physics informed machine learning with Smoothed Particle Hydrodynamics:
Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。
Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
論文 参考訳(メタデータ) (2021-10-25T22:57:40Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳(メタデータ) (2021-04-30T02:14:00Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z)
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。