論文の概要: Learning rheological parameters of non-Newtonian fluids from velocimetry data
- arxiv url: http://arxiv.org/abs/2408.02604v1
- Date: Mon, 5 Aug 2024 16:27:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 12:46:43.104783
- Title: Learning rheological parameters of non-Newtonian fluids from velocimetry data
- Title（参考訳）: 速度測定データによる非ニュートン流体のレオロジーパラメータの学習
- Authors: Alexandros Kontogiannis, Richard Hodgkinson, Emily L. Manchester,
- Abstract要約: せん断薄い流体の最も可能性が高いカラオウパラメータを学習するアルゴリズムを考案する。
このアルゴリズムは,最も可能性の高いCarreauパラメータを学習することで,流れ場を再構築できることを示す。
- 参考スコア（独自算出の注目度）: 46.2482873419289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We solve a Bayesian inverse Navier-Stokes (N-S) problem that assimilates velocimetry data in order to jointly reconstruct the flow field and learn the unknown N-S parameters. By incorporating a Carreau shear-thinning viscosity model into the N-S problem, we devise an algorithm that learns the most likely Carreau parameters of a shear-thinning fluid, and estimates their uncertainties, from velocimetry data alone. We then conduct a flow-MRI experiment to obtain velocimetry data of an axisymmetric laminar jet through an idealised medical device (FDA nozzle) for a blood analogue fluid. We show that the algorithm can successfully reconstruct the flow field by learning the most likely Carreau parameters, and that the learned parameters are in very good agreement with rheometry measurements. The algorithm accepts any algebraic effective viscosity model, as long as the model is differentiable, and it can be extended to more complicated non-Newtonian fluids (e.g. Oldroyd-B fluid) if a viscoelastic model is incorporated into the N-S problem.
- Abstract（参考訳）: 我々は、フローフィールドを共同で再構築し、未知のN-Sパラメータを学習するために、ベロシメトリデータを同化するベイズ逆ナビエ・ストークス(N-S)問題を解く。
N-S問題にカラオウせん断粘度モデルを組み込むことにより, せん断酸化流体の最も可能性の高いカレオパラメータを学習し, 速度測定データのみから不確かさを推定するアルゴリズムを考案する。
次に、血液アナログ流体の理想化医療装置(FDAノズル)を用いて、フローMRI実験を行い、軸対称ラミナージェットの速度測定データを得る。
このアルゴリズムは,最も可能性の高いCarreauパラメータを学習することにより,流れ場の再構築に成功し,学習パラメータがレオメトリー測定と非常によく一致していることを示す。
このアルゴリズムは、モデルが微分可能であれば任意の代数的有効粘性モデルを受け入れ、N-S問題に粘弾性モデルが組み込まれている場合、より複雑なニュートン流体(例えばオールドロイド-B流体)に拡張することができる。
関連論文リスト
- Bayesian inverse Navier-Stokes problems: joint flow field reconstruction and parameter learning [44.62264781248436]
ベイズ逆ナヴィエ・ストークス(N-S)問題を定式化して解く。
境界位置を含む未知のN-Sパラメータを学習する。
次に,この手法を用いて3次元定常層流の磁気共鳴速度測定データを再構成する。
論文 参考訳（メタデータ） (2024-06-26T16:16:36Z) - Physics-informed neural networks for blood flow inverse problems [2.5543665891116163]
物理インフォームドニューラルネットワーク(PINN)は、逆問題を解決する強力なツールとして登場した。
本研究では,上行大動脈における散乱2Dノイズ測定から低次モデルパラメータと全速度場を推定するためにPINN法を用いる。
論文 参考訳（メタデータ） (2023-08-02T04:04:49Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - NanoFlow: Scalable Normalizing Flows with Sublinear Parameter Complexity [28.201670958962453]
正規化フロー(NFs)は、分析確率密度の推定と効率的な合成を可能にする深層生成モデルの顕著な方法となっている。
本稿では,1つのニューラルネットワーク密度推定器を用いて,複数の変換ステージをモデル化するNanoFlowというパラメータ化手法を提案する。
論文 参考訳（メタデータ） (2020-06-11T09:35:00Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。