Fugu-MT 論文翻訳(概要): PointSAGE: Mesh-independent superresolution approach to fluid flow predictions

論文の概要: PointSAGE: Mesh-independent superresolution approach to fluid flow predictions

arxiv url: http://arxiv.org/abs/2404.04615v1
Date: Sat, 6 Apr 2024 12:49:09 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 20:29:27.070832
Title: PointSAGE: Mesh-independent superresolution approach to fluid flow predictions
Title（参考訳）: ポイントSAGE:メッシュに依存しない超解像法による流体流動予測
Authors: Rajat Sarkar, Krishna Sai Sudhir Aripirala, Vishal Sudam Jadhav, Sagar Srinivas Sakhinana, Venkataramana Runkana,
Abstract要約: 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。
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: Computational Fluid Dynamics (CFD) serves as a powerful tool for simulating fluid flow across diverse industries. High-resolution CFD simulations offer valuable insights into fluid behavior and flow patterns, aiding in optimizing design features or enhancing system performance. However, as resolution increases, computational data requirements and time increase proportionately. This presents a persistent challenge in CFD. Recently, efforts have been directed towards accurately predicting fine-mesh simulations using coarse-mesh simulations, with geometry and boundary conditions as input. Drawing inspiration from models designed for super-resolution, deep learning techniques like UNets have been applied to address this challenge. However, these existing methods are limited to structured data and fail if the mesh is unstructured due to its inability to convolute. Additionally, incorporating geometry/mesh information in the training process introduces drawbacks such as increased data requirements, challenges in generalizing to unseen geometries for the same physical phenomena, and issues with robustness to mesh distortions. To address these concerns, we propose a novel framework, PointSAGE a mesh-independent network that leverages the unordered, mesh-less nature of Pointcloud to learn the complex fluid flow and directly predict fine simulations, completely neglecting mesh information. Utilizing an adaptable framework, the model accurately predicts the fine data across diverse point cloud sizes, regardless of the training dataset's dimension. We have evaluated the effectiveness of PointSAGE on diverse datasets in different scenarios, demonstrating notable results and a significant acceleration in computational time in generating fine simulations compared to standard CFD techniques.
Abstract（参考訳）: 計算流体力学(CFD)は、様々な産業にまたがる流動をシミュレーションするための強力なツールである。高分解能CFDシミュレーションは、流体の挙動や流れのパターンに関する貴重な洞察を与え、設計特性の最適化やシステム性能の向上を支援する。しかし、解像度が大きくなるにつれて、計算データ要求と時間の増加は比例する。これはCFDにおける永続的な課題である。近年, 粗いメッシュシミュレーションを用いて, 形状や境界条件を入力として, 微細メッシュシミュレーションを正確に予測する取り組みが進められている。この課題に対処するために、UNetsのような超高解像度のディープラーニング技術のために設計されたモデルからインスピレーションを得た。しかしながら、これらの既存のメソッドは構造化データに限定されており、メッシュが非構造化されている場合、畳み込みができないため失敗する。さらに、トレーニングプロセスにジオメトリ/メシュ情報を組み込むことで、データ要求の増加、同じ物理現象の未確認測度を一般化する際の課題、メッシュ歪みに対するロバスト性の問題といった欠点がもたらされる。これらの問題に対処するために、Pointcloudの非秩序でメッシュのない性質を活用して複雑な流体の流れを学習し、メッシュ情報を完全に無視してシミュレーションを直接予測する、メッシュに依存しない新しいフレームワークであるPointSAGEを提案する。適応可能なフレームワークを利用することで、トレーニングデータセットの寸法に関係なく、さまざまなポイントクラウドサイズにわたる詳細なデータを正確に予測する。我々は,様々なシナリオにおける多様なデータセットに対するPointSAGEの有効性を評価し,従来のCFD手法と比較して,計算時間の顕著な向上と計算時間の大幅な向上を図った。

関連論文リスト

Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文参考訳（メタデータ） (2025-01-31T17:51:14Z)
FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries [19.15738125919099]
FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。 FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
論文参考訳（メタデータ） (2024-09-26T16:38:48Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文参考訳（メタデータ） (2024-06-20T10:01:22Z)
Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文参考訳（メタデータ） (2023-11-10T14:04:49Z)
MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics [0.0]
MeshDQNは、反復的に粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュを選択し、高価なシミュレーションをバイパスするためにソリューションを使用する。 MeshDQNは2つの2D翼のメッシュの改善に成功している。
論文参考訳（メタデータ） (2022-12-02T20:22:15Z)
Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations [1.4150517264592128]
種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
論文参考訳（メタデータ） (2021-12-13T05:08:55Z)
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)
A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文参考訳（メタデータ） (2020-10-15T12:15:02Z)
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)
CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
論文参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。