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
- 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) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳(メタデータ) (2024-06-17T10:21:01Z) - 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 [11.340847429991525]
本研究は,ガウス分極上に構築された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。
我々は,流れ速度場のリプシッツ正則性,流れの存在と特異性,流れマップの連続性を確立する。
また、2次ワッサーシュタイン距離を計量として、これらの流れの震源分布と速度場の摂動の安定性についても検討した。
論文 参考訳(メタデータ) (2023-11-20T00:59:20Z) - 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) - 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。