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/2404.14121v2
- Date: Sat, 17 Aug 2024 08:09:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-21 02:58:10.047244
- 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: 我々は,粘弾性乱流における壁面近傍の瞬時流れを予測するためにニューラルネットワークモデルを用いた。
これらのモデルでは、冬眠間隔における関心量の予測精度が向上した。
この方法は、フロー制御や、実験から利用可能な壁情報のみを使用する場合にも使用できる。
- 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. Numerical simulation data at the wall is utilized to predict the instantaneous velocity-fluctuations and polymeric-stress-fluctuations at three different wall-normal positions in the buffer region. The ability of non-intrusive predictions has not been previously investigated in non-Newtonian turbulence. Our analysis shows that velocity-fluctuations are predicted well from wall measurements in viscoelastic turbulence. The models exhibit enhanced accuracy in predicting quantities of interest during the hibernation intervals, facilitating a deeper understanding of the underlying physics during low-drag events. The neural-network models also demonstrate a reasonably good accuracy in predicting polymeric-shear stress and the trace of the polymer stress at a given wall-normal location. This method could be used in flow control or when only wall information is available from experiments (for example, in opaque fluids). More importantly, only velocity and pressure information can be measured experimentally, while polymeric elongation and orientation cannot be directly measured despite their importance for turbulent dynamics. We therefore study the possibility to reconstruct the polymeric-stress fields from velocity or pressure measurements in viscoelastic turbulent flows. The results are promising but also underline that a lack of small scales in the input velocity fields can alter the rate of energy transfer from flow to polymers, affecting the prediction of the polymer-stress fluctuations. The present approach not only aids in extracting polymeric-stress information but also gives information about the link between polymeric-stress and velocity fields in viscoelastic turbulence.
- 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。
壁面における数値シミュレーションデータを用いて,バッファ領域内の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。
非侵入予測の能力は、非ニュートン乱流では以前にも研究されていない。
粘弾性乱流における壁面計測から速度変動をよく予測できることを示す。
これらのモデルでは、冬眠間隔における興味の量の予測精度が向上し、低抵抗事象における基礎物理学の深い理解が促進された。
ニューラルネットワークモデルはまた、与えられた壁の通常の位置におけるポリマーの応力とポリマーの応力の痕跡を予測する上で、合理的に優れた精度を示す。
この方法は、フロー制御や、実験(例えば不透明流体)からの壁情報しか利用できない場合にも使用できる。
さらに重要なことは、速度と圧力のみを実験的に測定できるのに対し、高分子の伸長と配向は乱流力学において重要であるにもかかわらず直接測定できないことである。
そこで, 粘弾性乱流の速度・圧力測定から高分子-応力場を再構築する可能性について検討した。
その結果, 入力速度場における微小スケールの欠如により, 高分子へのエネルギー移動速度が変化し, 高分子-応力変動の予測に影響を及ぼす可能性が示唆された。
本手法は, 高分子ストレス情報を抽出するだけでなく, 粘弾性乱流の速度場と高分子ストレス情報を関連付ける。
関連論文リスト
- A deep learning approach to wall-shear stress quantification: From numerical training to zero-shot experimental application [2.2284889035802036]
本稿では,乱流境界流の対数層から壁並列速度場を取り込み,深層学習アーキテクチャを提案する。
提案フレームワークは,手軽に利用可能な速度測定から,到達不能な壁面せん断応力情報を抽出する基盤となる。
論文 参考訳（メタデータ） (2024-09-05T22:59:23Z) - 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) - Uncovering wall-shear stress dynamics from neural-network enhanced fluid
flow measurements [2.736093604280113]
物体を通過または内部に移動する乱流流体からの摩擦抵抗は、輸送、公共事業インフラ、エネルギー技術、人間の健康といった様々な領域において重要な役割を担っている。
本稿では,物理知識を持つ深部光学フロー推定器を用いて,流れの測定から空間的・時間的分解能の優れた速度場と壁面応力場を導出する全体論的アプローチを提案する。
論文 参考訳（メタデータ） (2023-10-17T10:56:26Z) - HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction [66.38369833561039]
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) - 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) - Using Conservation Laws to Infer Deep Learning Model Accuracy of
Richtmyer-meshkov Instabilities [0.0]
Richtmyer-Meshkov不安定(RMI)は、衝撃波が摂動界面を通過するときに起こる複雑な現象である。
深層学習は、初期幾何学的摂動の時間的マッピングを密度と速度のフルフィールド流体力学解に学習するために用いられた。
ディープラーニングモデルからの予測は、時間的RMI生成を正確に捉えているように見える。
論文 参考訳（メタデータ） (2022-07-19T02:20:47Z) - 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) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - 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) - Ultrafast viscosity measurement with ballistic optical tweezers [55.41644538483948]
非侵襲粘度測定は秒の積分時間を必要とする。
速度を最大20マイクロ秒まで改善した4つの命令を実演する。
光学式ツイーザにおける捕捉粒子の瞬時速度を用いてこれを実現する。
論文 参考訳（メタデータ） (2020-06-29T00:09:40Z)
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。