Fugu-MT 論文翻訳(概要): Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics

論文の概要: Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics

arxiv url: http://arxiv.org/abs/2406.15509v1
Date: Thu, 20 Jun 2024 00:47:01 GMT
ステータス: 処理完了
システム内更新日: 2024-06-25 23:44:36.289208
Title: Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics
Title（参考訳）: パラメータ化流体力学探索のための機械学習可視化ツール
Authors: C. F. Jekel, D. M. Sterbentz, T. M. Stitt, P. Mocz, R. N. Rieben, D. A. White, J. L. Belof,
Abstract要約: 大規模なシミュレーションデータセットの圧縮、閲覧、補間に使用できる対話型機械学習ツールを提案する。このツールは、計算科学者や研究者が「何」の状況を素早く視覚化し、感度分析を行い、複雑な流体力学実験を最適化することを可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We are interested in the computational study of shock hydrodynamics, i.e. problems involving compressible solids, liquids, and gases that undergo large deformation. These problems are dynamic and nonlinear and can exhibit complex instabilities. Due to advances in high performance computing it is possible to parameterize a hydrodynamic problem and perform a computational study yielding $\mathcal{O}\left({\rm TB}\right)$ of simulation state data. We present an interactive machine learning tool that can be used to compress, browse, and interpolate these large simulation datasets. This tool allows computational scientists and researchers to quickly visualize "what-if" situations, perform sensitivity analyses, and optimize complex hydrodynamic experiments.
Abstract（参考訳）: 我々は、衝撃流体力学、すなわち、大きな変形を起こす圧縮性固体、液体、気体に関する問題に関する計算研究に興味を持っている。これらの問題は動的で非線形であり、複雑な不安定性を示す。ハイパフォーマンスコンピューティングの進歩により、流体力学問題をパラメータ化し、シミュレーション状態データの$\mathcal{O}\left({\rm TB}\right)$を計算研究することができる。大規模なシミュレーションデータセットの圧縮、閲覧、補間に使用できる対話型機械学習ツールを提案する。このツールは、計算科学者や研究者が「何」の状況を素早く視覚化し、感度分析を行い、複雑な流体力学実験を最適化することを可能にする。

関連論文リスト

Exploring the efficacy of a hybrid approach with modal decomposition over fully deep learning models for flow dynamics forecasting [2.8686437689115363]
時系列予測の流体力学問題への応用について検討する。目的は過去の情報のみを用いて流れのダイナミクスを予測することである。我々は、学習に大量のデータを必要としないディープラーニングに基づくモデルに焦点をあてる。
論文参考訳（メタデータ） (2024-04-27T12:43:02Z)
Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
論文参考訳（メタデータ） (2024-02-27T03:44:55Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Virgo: Scalable Unsupervised Classification of Cosmological Shock Waves [0.0]
我々はこの未解決の教師なし分類問題に対処するために,新しいパイプライン Virgo を導入する。我々は,低ランク行列近似を用いたカーネル主成分分析を用いて,衝撃粒子のデータセットを復調する。我々は教師付き分類を行い、変分深層学習を用いて全データ解像度を復元する。
論文参考訳（メタデータ） (2022-08-14T14:28:17Z)
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)
Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
論文参考訳（メタデータ） (2021-05-10T10:45:28Z)
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)
Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文参考訳（メタデータ） (2020-11-14T02:03:08Z)
Complete CVDL Methodology for Investigating Hydrodynamic Instabilities [0.49873153106566565]
流体力学において、最も重要な研究分野の1つは流体力学の不安定性と異なる流れ状態におけるその進化である。現在、そのような現象、すなわち分析モデル、実験、シミュレーションを理解するために3つの主要な手法が使用されている。我々は、この研究の大部分が、Deep Learning(CVDL、Deep Computer-Vision)の分野における最近の画期的な進歩を用いて、分析されるべきであると主張している。具体的には、最も代表的な不安定性であるRayleigh-Taylorの研究に焦点をあて、その振る舞いをシミュレートし、オープンソースの状態を作り出す。
論文参考訳（メタデータ） (2020-04-03T13:52:04Z)

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。