論文の概要: AhmedML: High-Fidelity Computational Fluid Dynamics Dataset for Incompressible, Low-Speed Bluff Body Aerodynamics
- arxiv url: http://arxiv.org/abs/2407.20801v1
- Date: Tue, 30 Jul 2024 13:07:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 17:10:01.076598
- Title: AhmedML: High-Fidelity Computational Fluid Dynamics Dataset for Incompressible, Low-Speed Bluff Body Aerodynamics
- Title（参考訳）: AhmedML:非圧縮・低速Bluff体空力のための高忠実計算流体力学データセット
- Authors: Neil Ashton, Danielle C. Maddix, Samuel Gundry, Parisa M. Shabestari,
- Abstract要約: 本稿では,Ahmed Car Bodyの500種類の幾何学的変動のCFDシミュレーションを高忠実度で高精度に構成した新しいオープンソースデータセットを提案する。
このデータセットにはシミュレーション結果が含まれており、基本的な流れ物理学の幅広いセットを示している。
これは、広く使われているAhmed車体に高忠実なCFD手法を用いた最初のオープンソースの大規模データセットである、著者の知識を表している。
- 参考スコア（独自算出の注目度）: 2.2299174221081395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of Machine Learning (ML) methods for Computational Fluid Dynamics (CFD) is currently limited by the lack of openly available training data. This paper presents a new open-source dataset comprising of high fidelity, scale-resolving CFD simulations of 500 geometric variations of the Ahmed Car Body - a simplified car-like shape that exhibits many of the flow topologies that are present on bluff bodies such as road vehicles. The dataset contains simulation results that exhibit a broad set of fundamental flow physics such as geometry and pressure-induced flow separation as well as 3D vortical structures. Each variation of the Ahmed car body were run using a high-fidelity, time-accurate, hybrid Reynolds-Averaged Navier-Stokes (RANS) - Large-Eddy Simulation (LES) turbulence modelling approach using the open-source CFD code OpenFOAM. The dataset contains boundary, volume, geometry, and time-averaged forces/moments in widely used open-source formats. In addition, the OpenFOAM case setup is provided so that others can reproduce or extend the dataset. This represents to the authors knowledge, the first open-source large-scale dataset using high-fidelity CFD methods for the widely used Ahmed car body that is available to freely download with a permissive license (CC-BY-SA).
- Abstract（参考訳）: 計算流体力学(CFD)のための機械学習(ML)手法の開発は、現在、公開されているトレーニングデータの不足により制限されている。
本稿では,Ahmed Car Body(Ahmed Car Body,Ahmed Car Body)の500の幾何変種を高忠実でスケール分解可能なCFDシミュレーションにより構築した新しいオープンソースデータセットについて述べる。
このデータセットには3次元渦構造だけでなく、幾何学や圧力誘起流の分離といった、幅広い基本的な流れの物理セットを示すシミュレーション結果が含まれている。
Ahmed車体の各バリエーションは、オープンソースのCFDコードOpenFOAMを用いて、高忠実で時間精度、ハイブリッドなReynolds-Averaged Navier-Stokes (RANS) - Large-Eddy Simulation (LES) 乱流モデリング手法を用いて実行された。
データセットにはバウンダリ、ボリューム、ジオメトリ、そして広く使用されているオープンソースフォーマットにおける平均的な力/モーメントが含まれている。
さらに、他の人がデータセットを再生または拡張できるようにOpenFOAMケース設定が提供される。
これは、広く使われているAhmed車体に高忠実なCFDメソッドを使用した最初のオープンソースの大規模データセットであり、パーミッシブ・ライセンス(CC-BY-SA)で自由にダウンロードできる。
関連論文リスト
- DrivAerML: High-Fidelity Computational Fluid Dynamics Dataset for Road-Car External Aerodynamics [0.0]
このデータセットは、自動車空気力学のための高忠実なオープンソース(CC-BY-SA)パブリックデータセットである。
広く使用されているDrivAerノッチバックの500のパラメトリックな形状の派生型に基づいている。
高忠実度CFDを使用した複雑な自動車構成のための、最初の大規模なパブリックドメインデータセットである。
論文 参考訳（メタデータ） (2024-08-21T19:47:41Z) - Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。
提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。
顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文 参考訳（メタデータ） (2024-07-29T11:48:44Z) - WindsorML: High-Fidelity Computational Fluid Dynamics Dataset For Automotive Aerodynamics [1.7258674811482855]
本稿では,Windsorボディの355の幾何学的変種を含む機械学習(ML)のための,オープンソースの新しい高忠実度データセットを提案する。
著者らにとってこれは、許容オープンソースライセンス(CC-BY-SA)を持つWindsorボディのための、最初の大規模高忠実CFDデータセットである。
論文 参考訳（メタデータ） (2024-07-27T18:33:10Z) - PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。
解像度が大きくなると、計算データ要求と時間の増加が比例する。
複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
論文 参考訳（メタデータ） (2024-04-06T12:49:09Z) - Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。
後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。
我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
論文 参考訳（メタデータ） (2023-07-25T14:27:49Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - AutoFlow: Learning a Better Training Set for Optical Flow [62.40293188964933]
AutoFlowは、光学フローのトレーニングデータをレンダリングする手法である。
AutoFlowはPWC-NetとRAFTの両方の事前トレーニングにおいて最先端の精度を実現する。
論文 参考訳（メタデータ） (2021-04-29T17:55:23Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Ensemble Distillation for Robust Model Fusion in Federated Learning [72.61259487233214]
Federated Learning(FL)は、多くのデバイスが機械学習モデルを協調的にトレーニングする機械学習環境である。
現在のトレーニングスキームのほとんどでは、サーバモデルのパラメータと更新されたパラメータをクライアント側から平均化することで、中央モデルを洗練します。
本研究では,モデル融合のためのアンサンブル蒸留法を提案する。
論文 参考訳（メタデータ） (2020-06-12T14:49:47Z)
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。