Fugu-MT 論文翻訳(概要): BubbleID: A Deep Learning Framework for Bubble Interface Dynamics Analysis

論文の概要: BubbleID: A Deep Learning Framework for Bubble Interface Dynamics Analysis

arxiv url: http://arxiv.org/abs/2405.07994v1
Date: Wed, 20 Mar 2024 05:17:43 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 08:49:26.588920
Title: BubbleID: A Deep Learning Framework for Bubble Interface Dynamics Analysis
Title（参考訳）: BubbleID: バブルインタフェースダイナミクス分析のためのディープラーニングフレームワーク
Authors: Christy Dunlap, Changgen Li, Hari Pandey, Ngan Le, Han Hu,
Abstract要約: BubbleIDは、沸騰する画像におけるバブルの静的特性と動的特性の両方を識別する。システムは、各バブルの位置、寸法、界面形状、寿命の速度を分析することができる。
参考スコア（独自算出の注目度）: 14.80319533550068
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents BubbleID, a sophisticated deep learning architecture designed to comprehensively identify both static and dynamic attributes of bubbles within sequences of boiling images. By amalgamating segmentation powered by Mask R-CNN with SORT-based tracking techniques, the framework is capable of analyzing each bubble's location, dimensions, interface shape, and velocity over its lifetime, and capturing dynamic events such as bubble departure. BubbleID is trained and tested on boiling images across diverse heater surfaces and operational settings. This paper also offers a comparative analysis of bubble interface dynamics prior to and post-critical heat flux (CHF) conditions.
Abstract（参考訳）: 本稿では,沸騰する画像のシーケンス内のバブルの静的特性と動的特性を包括的に識別する,高度なディープラーニングアーキテクチャであるBubbleIDを提案する。このフレームワークは、Mask R-CNNをベースとしたセグメンテーションとSORTベースのトラッキング技術を組み合わせることで、各バブルの位置、寸法、界面形状、速度を生涯にわたって分析し、バブル離脱のような動的なイベントを捉えることができる。 BubbleIDは、さまざまなヒーター表面と運用環境にまたがるボイリングイメージをトレーニングし、テストする。また, 本論文では, 気泡界面の流動特性とポストクリティカル熱流束 (CHF) 条件との比較分析を行った。

関連論文リスト

GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文参考訳（メタデータ） (2024-12-23T18:58:17Z)
A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文参考訳（メタデータ） (2024-12-12T16:05:39Z)
DATAP-SfM: Dynamic-Aware Tracking Any Point for Robust Structure from Motion in the Wild [85.03973683867797]
本稿では,スムーズなカメラ軌跡を推定し,野生のカジュアルビデオのための高密度点雲を得るための,簡潔でエレガントでロバストなパイプラインを提案する。提案手法は,複雑な動的課題シーンにおいても,カメラポーズ推定による最先端性能を実現する。
論文参考訳（メタデータ） (2024-11-20T13:01:16Z)
Equation-informed data-driven identification of flow budgets and dynamics [0.0]
本稿では,フロークラスタリングのための新しいハイブリッド手法を提案する。それは、方程式に基づく特徴を持つシステムの各サンプルポイントを特徴づけることから成り立っている。このアルゴリズムは、EulerianフレームワークとLagrangianフレームワークの両方で実装されている。
論文参考訳（メタデータ） (2024-11-14T15:59:41Z)
GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
論文参考訳（メタデータ） (2024-06-21T07:37:17Z)
Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning [1.8629003661522465]
本研究では, マイクロスケールおよびマクロスケールの非線型気泡力学解析を統一する合成ニューラル演算子モデルを構築した。トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲の気泡半径を持つ非線形気泡動力学のmDPDおよびRPシミュレーションにより生成する。その結果, トレーニングした複合型ニューラルオペレーターモデルは, 気泡半径の時間的評価に99%の精度で, スケールのバブルダイナミクスを正確に予測できることが示唆された。
論文参考訳（メタデータ） (2024-03-20T04:56:02Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning [15.681756756338546]
このデータセットは、様々な重力条件、流量、サブ冷却レベル、そして79のシミュレーションを含む壁のスーパーヒートを含む幅広いパラメータをカバーしている。 BubbleMLは、実験的な観察とトレンドに対して検証されており、機械学習(ML)研究の貴重なリソースとして確立されている。本稿では, (a) 気泡力学を捉えるための光フロー解析と (b) 温度力学を学習するための演算子ネットワークという2つのベンチマークを導入することで, 下流タスクの探索を容易にする可能性を示す。
論文参考訳（メタデータ） (2023-07-27T04:47:05Z)
High-Fidelity Simulation and Novel Data Analysis of the Bubble Creation and Sound Generation Processes in Breaking Waves [4.290841102361447]
進行の顕著な領域は、波の破れに起因する乱流、二相流の計算である。従来の研究で, 破れ波シミュレーションにおける気泡の追跡と, その動的挙動を時間とともに解釈する新しいアルゴリズムを開発した。また, 砕波堤内の気泡発生を駆動する新しい物理機構を発見し, 気泡挙動と水中音の発生を関連づけるモデルを開発した。
論文参考訳（メタデータ） (2022-11-06T04:29:26Z)
Grounding Physical Concepts of Objects and Events Through Dynamic Visual Reasoning [84.90458333884443]
本稿では、物理オブジェクトやイベントをビデオや言語から基盤とする統合フレームワークであるDynamic Concept Learner(DCL)を紹介する。 dclは、フレーム、グランドビジュアルプロパティ、物理イベントのオブジェクトを検出し、関連付けることができ、イベント間の因果関係を理解し、将来の予測と偽りの予測を行い、これらのプレゼンテーションをクエリに利用することができる。 DCLは、地上トラス属性や衝突ラベルをトレーニング用シミュレーションから使用することなく、困難な因果的ビデオ推論データセットであるCLEVRERで最先端のパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-03-30T17:59:48Z)
Informative Scene Decomposition for Crowd Analysis, Comparison and Simulation Guidance [10.000622844914272]
群衆シミュレーションは、グラフィックを含むいくつかの分野において中心的なトピックである。クラウドデータの急増に伴い、このようなボトルネックに対処する必要がある。この問題に包括的に対処する新しい枠組みを提案する。
論文参考訳（メタデータ） (2020-04-29T12:03:32Z)

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。