論文の概要: Physics-enhanced Neural Operator for Simulating Turbulent Transport
- arxiv url: http://arxiv.org/abs/2406.04367v1
- Date: Fri, 31 May 2024 20:05:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-23 14:05:12.654703
- Title: Physics-enhanced Neural Operator for Simulating Turbulent Transport
- Title（参考訳）: 乱流輸送シミュレーションのための物理増幅型ニューラル演算子
- Authors: Shengyu Chen, Peyman Givi, Can Zheng, Xiaowei Jia,
- Abstract要約: 本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
- 参考スコア（独自算出の注目度）: 9.923888452768919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The precise simulation of turbulent flows is of immense importance in a variety of scientific and engineering fields, including climate science, freshwater science, and the development of energy-efficient manufacturing processes. Within the realm of turbulent flow simulation, direct numerical simulation (DNS) is widely considered to be the most reliable approach, but it is prohibitively expensive for long-term simulation at fine spatial scales. Given the pressing need for efficient simulation, there is an increasing interest in building machine learning models for turbulence, either by reconstructing DNS from alternative low-fidelity simulations or by predicting DNS based on the patterns learned from historical data. However, standard machine learning techniques remain limited in capturing complex spatio-temporal characteristics of turbulent flows, resulting in limited performance and generalizability. This paper presents a novel physics-enhanced neural operator (PENO) that incorporates physical knowledge of partial differential equations (PDEs) to accurately model flow dynamics. The model is further refined by a self-augmentation mechanism to reduce the accumulated error in long-term simulations. The proposed method is evaluated through its performance on two distinct sets of 3D turbulent flow data, showcasing the model's capability to reconstruct high-resolution DNS data, maintain the inherent physical properties of flow transport, and generate flow simulations across various resolutions. Additionally, experimental results on multiple 2D vorticity flow series, generated by different PDEs, highlight the transferability and generalizability of the proposed method. This confirms its applicability to a wide range of real-world scenarios in which extensive simulations are needed under diverse settings.
- Abstract（参考訳）: 乱流の正確なシミュレーションは、気候科学、淡水科学、エネルギー効率の高い製造プロセスの開発など、様々な科学・工学分野において非常に重要である。
乱流シミュレーションの領域内では, 直接数値シミュレーション(DNS)が最も信頼性の高い手法とされているが, 空間スケールでの長期シミュレーションでは極めて高価である。
効率的なシミュレーションの必要性が高まる中、他の低忠実度シミュレーションからDNSを再構築するか、過去のデータから学んだパターンに基づいてDNSを予測することによって、乱流の機械学習モデルを構築することへの関心が高まっている。
しかし, 乱流の複雑な時空間特性を捉える上で, 標準的な機械学習技術は依然として限られており, 性能と一般化性に限界がある。
本稿では、偏微分方程式(PDE)の物理知識を取り入れた新しい物理強化ニューラル演算子(PENO)を提案し、流れのダイナミクスを正確にモデル化する。
このモデルは、長期シミュレーションにおける累積誤差を低減する自己拡張機構によってさらに洗練される。
提案手法は, 2つの異なる3次元乱流データに対して, 高分解能DNSデータを再構成し, 流動輸送の物理的特性を維持し, 様々な解像度で流れシミュレーションを生成する能力を示す。
さらに、異なるPDEによって生成された複数の2次元渦流列に対する実験結果により、提案手法の伝達性と一般化性を強調した。
これにより、多様な設定下で広範囲のシミュレーションが必要な、幅広い現実世界シナリオに適用可能であることが確認できる。
関連論文リスト
- 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) - Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-08T23:44:54Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - Reconstructing Turbulent Flows Using Physics-Aware Spatio-Temporal
Dynamics and Test-Time Refinement [10.711201734103073]
低分解能LESデータからシーケンシャルDNSを再構成する物理誘導型ニューラルネットワークを提案する。
また, 物理的制約を強制し, 長期にわたって蓄積した復元誤差を低減するために, Sim ベースの精錬法を開発した。
論文 参考訳（メタデータ） (2023-04-24T14:33:34Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Scientific multi-agent reinforcement learning for wall-models of
turbulent flows [5.678337324555036]
大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。
現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
論文 参考訳（メタデータ） (2021-06-21T14:30:10Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z) - 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)
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。