論文の概要: Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach
- arxiv url: http://arxiv.org/abs/2403.16144v1
- Date: Sun, 24 Mar 2024 13:32:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 17:15:57.992778
- Title: Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach
- Title(参考訳): 液滴力学におけるエネルギー収支予測 : リカレントニューラルネットワークによるアプローチ
- Authors: Diego A. de Aguiar, Hugo L. França, Cassio M. Oishi,
- Abstract要約: 本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。
LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。
幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural networks in fluid mechanics offer an efficient approach for exploring complex flows, including multiphase and free surface flows. The recurrent neural network, particularly the Long Short-Term Memory (LSTM) model, proves attractive for learning mappings from transient inputs to dynamic outputs. This study applies LSTM to predict transient and static outputs for fluid flows under surface tension effects. Specifically, we explore two distinct droplet dynamic scenarios: droplets with diverse initial shapes impacting with solid surfaces, as well as the coalescence of two droplets following collision. Using only dimensionless numbers and geometric time series data from numerical simulations, LSTM predicts the energy budget. The marker-and-cell front-tracking methodology combined with a marker-and-cell finite-difference strategy is adopted for simulating the droplet dynamics. Using a recurrent neural network (RNN) architecture fed with time series data derived from geometrical parameters, as for example droplet diameter variation, our study shows the accuracy of our approach in predicting energy budgets, as for instance the kinetic, dissipation, and surface energy trends, across a range of Reynolds and Weber numbers in droplet dynamic problems. Finally, a two-phase sequential neural network using only geometric data, which is readily available in experimental settings, is employed to predict the energies and then use them to estimate static parameters, such as the Reynolds and Weber numbers. While our methodology has been primarily validated with simulation data, its adaptability to experimental datasets is a promising avenue for future exploration. We hope that our strategy can be useful for diverse applications, spanning from inkjet printing to combustion engines, where the prediction of energy budgets or dissipation energies is crucial.
- Abstract(参考訳): 流体力学におけるニューラルネットワークは、多相流や自由表面流を含む複雑な流れを探索するための効率的なアプローチを提供する。
リカレントニューラルネットワーク、特にLong Short-Term Memory(LSTM)モデルは、過渡入力から動的出力へのマッピングを学習するのに魅力的なものである。
本研究ではLSTMを用いて表面張力効果下での流体の過渡的および静的な出力を予測する。
具体的には、固体表面に衝突する様々な初期形状の液滴と、衝突後の2つの液滴の合体という、2つの異なる液滴ダイナミックシナリオについて検討する。
LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。
マーカ・アンド・セルのフロントトラッキング手法とマーカー・アンド・セルの有限差分戦略を組み合わせることで, 液滴ダイナミクスをシミュレーションする。
幾何学的パラメータから導出される時系列データ,例えば液滴径の変動から導かれる時系列データを連系ニューラルネットワーク (RNN) アーキテクチャを用いて, 液滴の動的問題におけるレイノルズ数およびウェーバー数の範囲における運動量, 散逸量, 表面エネルギーの傾向など, エネルギー予算の予測における我々のアプローチの正確性を示す。
最後に、幾何学的データのみを用いた二相逐次ニューラルネットワークを用いて、実験環境で容易に利用でき、エネルギーを予測し、レイノルズ数やウェーバー数などの静的パラメータを推定する。
提案手法は主にシミュレーションデータを用いて検証されているが,実験データセットへの適応性は今後の探索の道筋として有望である。
私たちの戦略は、インクジェット印刷から燃焼エンジンまで、エネルギー予算や散逸エネルギーの予測が不可欠である様々な用途に有効であることを期待しています。
関連論文リスト
- Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳(メタデータ) (2024-08-19T09:14:25Z) - Event-based Shape from Polarization with Spiking Neural Networks [5.200503222390179]
表面正規化を効果的かつ効率的に行うために,シングルタイムステップとマルチタイムステップ・スパイキング・ユニセットを導入する。
本研究は,イベントベースセンシングにおけるSNNの進歩に寄与する。
論文 参考訳(メタデータ) (2023-12-26T14:43:26Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics [0.0]
ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
論文 参考訳(メタデータ) (2022-10-25T16:50:26Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Rotation Invariant Graph Neural Networks using Spin Convolutions [28.4962005849904]
機械学習アプローチは、密度汎関数理論(DFT)を計算的に効率的に近似する可能性がある。
グラフニューラルネットワークにおいて,隣り合う原子の集合間の角度情報をモデル化するための新しい手法を提案する。
結果は大規模なOpen Catalyst 2020データセットで実証されている。
論文 参考訳(メタデータ) (2021-06-17T14:59:34Z) - 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) - 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) - 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)
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。