論文の概要: Inpainting Computational Fluid Dynamics with Deep Learning
- arxiv url: http://arxiv.org/abs/2402.17185v1
- Date: Tue, 27 Feb 2024 03:44:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 17:52:07.722869
- Title: Inpainting Computational Fluid Dynamics with Deep Learning
- Title(参考訳): 深層学習による計算流体力学のインパインティング
- Authors: Dule Shu, Wilson Zhen, Zijie Li, Amir Barati Farimani
- Abstract要約: 有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。
流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。
ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
- 参考スコア(独自算出の注目度): 8.397730500554047
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fluid data completion is a research problem with high potential benefit for
both experimental and computational fluid dynamics. An effective fluid data
completion method reduces the required number of sensors in a fluid dynamics
experiment, and allows a coarser and more adaptive mesh for a Computational
Fluid Dynamics (CFD) simulation. However, the ill-posed nature of the fluid
data completion problem makes it prohibitively difficult to obtain a
theoretical solution and presents high numerical uncertainty and instability
for a data-driven approach (e.g., a neural network model). To address these
challenges, we leverage recent advancements in computer vision, employing the
vector quantization technique to map both complete and incomplete fluid data
spaces onto discrete-valued lower-dimensional representations via a two-stage
learning procedure. We demonstrated the effectiveness of our approach on
Kolmogorov flow data (Reynolds number: 1000) occluded by masks of different
size and arrangement. Experimental results show that our proposed model
consistently outperforms benchmark models under different occlusion settings in
terms of point-wise reconstruction accuracy as well as turbulent energy
spectrum and vorticity distribution.
- Abstract(参考訳): 流体データ補完は、実験と計算の両方の流体力学に高い利点をもたらす研究問題である。
有効な流体データ補完法は流体力学実験に必要なセンサー数を削減し、計算流体力学(CFD)シミュレーションのための粗い、より適応的なメッシュを可能にする。
しかし、流体データ補完問題の不適切性は、理論的解を得るのを強制的に難しくし、データ駆動アプローチ(例えばニューラルネットワークモデル)において高い数値不確実性と不安定性を示す。
これらの課題に対処するために、ベクトル量子化技術を用いて、完全かつ不完全な流体データ空間を2段階の学習手順で離散値の低次元表現にマッピングする。
我々は,大きさと配置の異なるマスクによって遮蔽されたコルモゴロフ流データ(レイノルズ数:1000)に対するアプローチの有効性を実証した。
実験結果から, 提案モデルでは, 点分割精度, 乱流エネルギースペクトル, 渦度分布の点で, 異なる閉塞条件下でのベンチマークモデルよりも常に優れていた。
関連論文リスト
- PiRD: Physics-informed Residual Diffusion for Flow Field Reconstruction [5.06136344261226]
データ忠実度向上のためのCNNベースの手法は、トレーニング期間中の低忠実度データパターンと分布に依存している。
提案したモデルである物理インフォームド残差拡散(Residual Diffusion)は、標準の低忠実度入力からデータの品質を高める能力を示す。
実験結果から, 2次元乱流に対して, 再学習を必要とせず, 高品質な流れを効果的に再現できることが示唆された。
論文 参考訳(メタデータ) (2024-04-12T11:45:51Z) - PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。
解像度が大きくなると、計算データ要求と時間の増加が比例する。
複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
論文 参考訳(メタデータ) (2024-04-06T12:49:09Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - A Denoising Diffusion Model for Fluid Field Prediction [0.0]
本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。
拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。
ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
論文 参考訳(メタデータ) (2023-01-27T11:30:40Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Physics-informed deep-learning applications to experimental fluid
mechanics [2.992602379681373]
低分解能および雑音測定による流れ場データの高分解能再構成は実験流体力学において重要である。
ディープラーニングのアプローチは、このような超高解像度なタスクに適していることが示されている。
本研究では,物理インフォームドニューラルネットワーク(PINN)を時間空間における流れ場データの超解像に適用する。
論文 参考訳(メタデータ) (2022-03-29T09:58:30Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳(メタデータ) (2021-01-27T11:27:16Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z)
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。