論文の概要: Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics

• arxiv url: http://arxiv.org/abs/2408.06101v1
• Date: Mon, 12 Aug 2024 12:32:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 13:13:27.402864
• Title: Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics
• Title（参考訳）: 流体力学におけるメッシュグラフネットの未確認測地への一般化
• Authors: Robin Schmöcker, Alexander Henkes, Julian Roth, Thomas Wick,
• Abstract要約: データ駆動型計算流体力学(CFD)のための新しいベンチマークデータセットを作成する。 次に、この新しいデータセットを使用して、MeshGraphNets上でDeepMindが行った一般化実験を拡張します。 数値実験では、ある障害物形状のデータセットをトレーニングし、別の障害物形状のデータセットを試験することにより、MGNが様々な形状によく一般化できることが示されている。
• 参考スコア（独自算出の注目度）: 43.722816002375346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This works investigates the generalization capabilities of MeshGraphNets (MGN) [Pfaff et al. Learning Mesh-Based Simulation with Graph Networks. ICML 2021] to unseen geometries for fluid dynamics, e.g. predicting the flow around a new obstacle that was not part of the training data. For this purpose, we create a new benchmark dataset for data-driven computational fluid dynamics (CFD) which extends DeepMind's flow around a cylinder dataset by including different shapes and multiple objects. We then use this new dataset to extend the generalization experiments conducted by DeepMind on MGNs by testing how well an MGN can generalize to different shapes. In our numerical tests, we show that MGNs can sometimes generalize well to various shapes by training on a dataset of one obstacle shape and testing on a dataset of another obstacle shape.
• Abstract（参考訳）: 本研究は,メッシュグラフネット(MGN) [Pfaff et al Learning Mesh-based Simulation with Graph Networks. ICML 2021] の流体力学の未確認領域に対する一般化能力について検討する。 この目的のために,データ駆動型計算流体力学(CFD)のための新しいベンチマークデータセットを作成し,異なる形状と複数のオブジェクトを含むシリンダデータセットまわりのDeepMindの流れを拡張する。 次に、新しいデータセットを使用して、MGNがどのようにして異なる形状に一般化できるかをテストすることによって、DeepMindがMGN上で行った一般化実験を拡張する。 数値実験では、ある障害物形状のデータセットをトレーニングし、別の障害物形状のデータセットを試験することにより、MGNが様々な形状によく一般化できることが示されている。

関連論文リスト

• Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
  本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。 その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
  本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。 物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。 本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。 抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-06-21T07:37:17Z)
• Deep Learning as Ricci Flow [38.27936710747996]
  ディープニューラルネットワーク(DNN)は、複雑なデータの分布を近似する強力なツールである。 分類タスク中のDNNによる変換は、ハミルトンのリッチ流下で期待されるものと類似していることを示す。 本研究の成果は, 微分幾何学や離散幾何学から, 深層学習における説明可能性の問題まで, ツールの利用を動機づけるものである。
  論文  参考訳（メタデータ） (2024-04-22T15:12:47Z)
• Finite Volume Features, Global Geometry Representations, and Residual Training for Deep Learning-based CFD Simulation [8.472186259556597]
  グラフニューラルネットワーク(GNN)に基づくCFD法が提案されている。 本研究は,最短ベクトル(SV)と方向統合距離(DID)の2つの新しい幾何学的表現を提案する。 実験結果から, SV, DID, FVF, 残留訓練は, 現行GNN方式の予測誤差を最大41%低減できることがわかった。
  論文  参考訳（メタデータ） (2023-11-24T13:19:06Z)
• 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)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Graph Convolutional Neural Networks for Body Force Prediction [0.0]
  グラフベースのデータ駆動モデルを示し、非構造化メッシュ上で定義されたフィールドの推論を行う。 ネットワークは、異なる解像度のフィールドサンプルから推論することができ、各サンプルの測定結果が提示される順序に不変である。
  論文  参考訳（メタデータ） (2020-12-03T19:53:47Z)
• 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)

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。