論文の概要: Multiscale lubrication simulation based on fourier feature networks with trainable frequency
- arxiv url: http://arxiv.org/abs/2405.12638v1
- Date: Tue, 21 May 2024 09:41:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 13:49:12.096087
- Title: Multiscale lubrication simulation based on fourier feature networks with trainable frequency
- Title（参考訳）: トレーニング可能な周波数をもつフーリエ特徴ネットワークに基づくマルチスケール潤滑シミュレーション
- Authors: Yihu Tang, Li Huang, Limin Wu, Xianghui Meng,
- Abstract要約: この研究は、トレーニング可能なフーリエ機能ネットワークを利用する、新しいマルチスケール潤滑ニューラルネットワークアーキテクチャを導入する。
学習可能な特徴埋め込み周波数を組み込むことで、このアーキテクチャは様々な周波数成分に自動的に適応し、粗面特性の分析を強化する。
- 参考スコア（独自算出の注目度）: 3.152606467542819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rough surface lubrication simulation is crucial for designing and optimizing tribological performance. Despite the growing application of Physical Information Neural Networks (PINNs) in hydrodynamic lubrication analysis, their use has been primarily limited to smooth surfaces. This is due to traditional PINN methods suffer from spectral bias, favoring to learn low-frequency features and thus failing to analyze rough surfaces with high-frequency signals. To date, no PINN methods have been reported for rough surface lubrication. To overcome these limitations, this work introduces a novel multi-scale lubrication neural network architecture that utilizes a trainable Fourier feature network. By incorporating learnable feature embedding frequencies, this architecture automatically adapts to various frequency components, thereby enhancing the analysis of rough surface characteristics. This method has been tested across multiple surface morphologies, and the results have been compared with those obtained using the finite element method (FEM). The comparative analysis demonstrates that this approach achieves a high consistency with FEM results. Furthermore, this novel architecture surpasses traditional Fourier feature networks with fixed feature embedding frequencies in both accuracy and computational efficiency. Consequently, the multi-scale lubrication neural network model offers a more efficient tool for rough surface lubrication analysis.
- Abstract（参考訳）: トライボロジー性能の設計と最適化には粗面潤滑シミュレーションが不可欠である。
物理情報ニューラルネットワーク(PINN)の流体潤滑解析への応用が増加しているにもかかわらず、その用途は主に滑らかな表面に限られている。
これは、従来のPINN法がスペクトルバイアスに悩まされ、低周波の特徴を学習し、その結果、粗面を高周波信号で解析できないためである。
現在までに粗面潤滑のためのPINN法は報告されていない。
これらの制限を克服するために、トレーニング可能なフーリエ機能ネットワークを利用する、新しいマルチスケール潤滑ニューラルネットワークアーキテクチャを導入する。
学習可能な特徴埋め込み周波数を組み込むことで、このアーキテクチャは様々な周波数成分に自動的に適応し、粗面特性の分析を強化する。
この手法は, 有限要素法 (FEM) を用いて得られた手法と比較した。
比較分析は、このアプローチがFEM結果と高い整合性を達成することを示す。
さらに、このアーキテクチャは、精度と計算効率の両面で固定された特徴埋め込み周波数を持つ従来のフーリエ特徴ネットワークを超越している。
その結果、マルチスケール潤滑ニューラルネットワークモデルは、粗面潤滑分析のためのより効率的なツールを提供する。
関連論文リスト
- Deep-Learning Recognition of Scanning Transmission Electron Microscopy: Quantifying and Mitigating the Influence of Gaussian Noises [8.027522565741402]
走査型透過電子顕微鏡(STEM)によるナノ粒子認識のための深層学習マスク領域ベースニューラルネットワーク(Mask R-CNN)を提案する。
The Mask R-CNN model were tested onsimulated STEM-HAADF results with different Gaussian noises, Particle shapes and Particle sizes, and the results showed that Gaussian noise has determined Influence on the accuracy of recognition。
このフィルタリング認識手法はSTEM-HAADF実験結果にさらに適用され,従来のしきい値法と比較して満足度が向上した。
論文 参考訳（メタデータ） (2024-09-25T05:30:18Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - Properties and Potential Applications of Random Functional-Linked Types
of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。
本稿では周波数領域の観点からRFLNNの特性について考察する。
本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-04-03T13:25:22Z) - Frequency and Scale Perspectives of Feature Extraction [5.081561820537235]
ニューラルネットワークの周波数とスケールに対する感度を分析する。
ニューラルネットワークは低周波と中周波のバイアスを持つが、異なるクラスに対して異なる周波数帯域を好む。
これらの観察により、ニューラルネットワークは様々なスケールと周波数で特徴を抽出する能力を学ぶ必要があるという仮説が導かれる。
論文 参考訳（メタデータ） (2023-02-24T06:37:36Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Kinematically consistent recurrent neural networks for learning inverse
problems in wave propagation [0.0]
そこで我々は,新しい運動論的に整合した物理に基づく機械学習モデルを提案する。
特に,波動伝搬における逆問題について物理的に解釈可能な学習を試みる。
控えめなトレーニングデータであっても、このキネマティック一貫性のあるネットワークは、通常のLSTM予測の誤り規範である$L_infty$を、それぞれ約45%と55%削減することができる。
論文 参考訳（メタデータ） (2021-10-08T05:51:32Z) - Conditionally Parameterized, Discretization-Aware Neural Networks for
Mesh-Based Modeling of Physical Systems [0.0]
入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。
条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。
CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
論文 参考訳（メタデータ） (2021-09-15T20:21:13Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - The FaceChannel: A Fast & Furious Deep Neural Network for Facial
Expression Recognition [71.24825724518847]
顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。
私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。
我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
論文 参考訳（メタデータ） (2020-09-15T09:25:37Z) - 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)
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。