論文の概要: Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks
- arxiv url: http://arxiv.org/abs/2404.14121v1
- Date: Mon, 22 Apr 2024 12:19:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 14:06:38.278028
- Title: Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた粘弾性乱流流中の流れと弾性応力の予測
- Authors: Arivazhagan G. Balasubramanian, Ricardo Vinuesa, Outi Tammisola,
- Abstract要約: 粘弾性乱流における壁面近傍の瞬時流れの予測にはニューラルネットワークモデルが用いられている。
壁面上の数値シミュレーションデータを用いて3つの壁面正規位置における瞬時速度変動と高分子ストレス変動を予測する。
- 参考スコア(独自算出の注目度): 0.9217021281095907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural-network models have been employed to predict the instantaneous flow close to the wall in a viscoelastic turbulent channel flow. The numerical simulation data at the wall is utilized to predict the instantaneous velocity fluctuations and polymeric-stress fluctuations at three different wall-normal positions. Apart from predicting the velocity fluctuations well in a hibernating flow, the neural-network models are also shown to predict the polymeric shear stress and the trace of the polymeric stresses at a given wall-normal location with reasonably good accuracy. These non-intrusive sensing models can be integrated in an experimental setting to construct the polymeric-stress field in turbulent flows, which otherwise may not be directly quantifiable in experimental measurements.
- Abstract(参考訳): 粘弾性乱流における壁面近傍の瞬時流れの予測にはニューラルネットワークモデルが用いられている。
壁面上の数値シミュレーションデータを用いて3つの壁面正規位置における瞬時速度変動と高分子ストレス変動を予測する。
また, 冬眠時の速度変動の予測に加えて, ニューラルネットワークモデルを用いて, 所定の壁面正規位置における高分子せん断応力とポリマー応力のトレースを, 合理的に精度良く予測できることを示した。
これらの非侵入型センシングモデルは, 乱流中での高分子-応力場を構築するための実験環境に組み込むことが可能であり, それ以外の場合, 実験測定では直接的に定量化できない。
関連論文リスト
- Fluid Simulation on Neural Flow Maps [23.5602305386658]
本稿では,フローマップの理論に基づく流体シミュレーションにより,暗黙的ニューラル表現の新たなパラダイムをブリッジする新しいシミュレーション手法であるニューラルフローマップを紹介する。
本研究は, 跳躍渦, 衝突渦, 渦再接続, 移動障害物からの渦発生, 密度差など, 様々な困難なシミュレーションシナリオにおいて, 神経流体シミュレーションの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-22T12:13:19Z) - Gaussian Interpolation Flows [12.745975989755001]
ガウスデノナイジングに基づくシミュレーションフリー連続正規化流れの健全性について検討する。
フロー速度場のリプシッツ正則性、フローの存在と特異性、フローマップのリプシッツ連続性を確立する。
本研究は,ガウス流の学習手法について,生成的モデリングのための貴重な知見を提供する。
論文 参考訳(メタデータ) (2023-11-20T00:59:20Z) - 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) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - 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) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Multi-agent reinforcement learning for wall modeling in LES of flow over
periodic hills [9.804725867671264]
マルチエージェント強化学習(MARL)を用いた各種圧力勾配効果を考慮した大渦シミュレーション(LES)の壁モデルを開発した。
このモデルは、周期的な丘陵の上の低レイノルズ数流を用いて訓練され、エージェントは計算格子点に沿って壁に配置される。
訓練されたモデルの解析は, モデルが流れに存在する様々な圧力勾配構造を区別できることを示している。
論文 参考訳(メタデータ) (2022-11-29T17:57:36Z) - Predicting the temporal dynamics of turbulent channels through deep
learning [0.0]
最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。
長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
論文 参考訳(メタデータ) (2022-03-02T09:31:03Z) - Short- and long-term prediction of a chaotic flow: A physics-constrained
reservoir computing approach [5.37133760455631]
乱流せん断流モデルにおける極端な事象や長期速度統計を時間精度で予測する,貯留層計算に基づく物理制約型機械学習手法を提案する。
両手法の組み合わせは, 乱流の自己持続過程モデルにおいて, 速度統計を正確に再現し, 極端な事象の発生と振幅を予測することができることを示す。
論文 参考訳(メタデータ) (2021-02-15T12:29:09Z) - 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。