論文の概要: Implicit Neural Representation For Accurate CFD Flow Field Prediction

• arxiv url: http://arxiv.org/abs/2408.06486v1
• Date: Mon, 12 Aug 2024 20:41:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 19:17:34.792007
• Title: Implicit Neural Representation For Accurate CFD Flow Field Prediction
• Title（参考訳）: 精密CFD流れ場予測のためのインプシットニューラル表現法
• Authors: Laurent de Vito, Nils Pinnau, Simone Dey,
• Abstract要約: 航空機エンジンタービンと圧縮機のブレードに適用した3次元流れ場予測のためのディープラーニングフレームワークを提案する。 我々は、任意の3Dフィールドを、バックボーンネットと呼ばれるニューラルネットワークによってモデル化された座標からの関数と見なす。 境界層、ウェイク、衝撃波などの重要な流れ特性を正確に描画することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite the plethora of deep learning frameworks for flow field prediction, most of them deal with flow fields on regular domains, and although the best ones can cope with irregular domains, they mostly rely on graph networks, so that real industrial applications remain currently elusive. We present a deep learning framework for 3D flow field prediction applied to blades of aircraft engine turbines and compressors. Crucially, we view any 3D field as a function from coordinates that is modeled by a neural network we call the backbone-net. It inherits the property of coordinate-based MLPs, namely the discretization-agnostic representation of flow fields in domains of arbitrary topology at infinite resolution. First, we demonstrate the performance of the backbone-net solo in regressing 3D steady simulations of single blade rows in various flow regimes: it can accurately render important flow characteristics such as boundary layers, wakes and shock waves. Second, we introduce a hyper-net that maps the surface mesh of a blade to the parameters of the backbone-net. By doing so, the flow solution can be directly predicted from the blade geometry, irrespective of its parameterization. Together, backbone-net and hyper-net form a highly-accurate memory-efficient data-driven proxy to CFD solvers with good generalization on unseen geometries.
• Abstract（参考訳）: フローフィールド予測のための多くのディープラーニングフレームワークにもかかわらず、そのほとんどは通常のドメイン上のフローフィールドを扱うものであり、最も良いものは不規則なドメインに対処できるが、グラフネットワークに大きく依存しているため、実際の産業アプリケーションはまだ解明されていない。 航空機エンジンタービンと圧縮機のブレードに適用した3次元流れ場予測のためのディープラーニングフレームワークを提案する。 重要なことは、あらゆる3Dフィールドを、バックボーンネットと呼ばれるニューラルネットワークによってモデル化された座標からの関数と見なしている。 座標系 MLP の性質、すなわち無限分解能の任意の位相の領域における流れ場の離散化非依存表現を継承する。 まず, 境界層, ウェイク, 衝撃波などの重要な流れ特性を高精度に描画し, 単刃列の3次元定常シミュレーションを行う際のバックボーンネットソロの性能を示す。 次に,ブレードの表面メッシュをバックボーンネットのパラメータにマッピングするハイパーネットを提案する。 これにより、そのパラメータ化に関係なく、フロー解はブレード幾何学から直接予測できる。 バックボーンネットとハイパーネットは共に、不明瞭なジオメトリをよく一般化したCFDソルバに対して、高精度なメモリ効率のデータ駆動プロキシを形成する。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• 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)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Identification of vortex in unstructured mesh with graph neural networks [0.0]
  本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。 2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
  論文  参考訳（メタデータ） (2023-11-11T12:10:16Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Direct Prediction of Steady-State Flow Fields in Meshed Domain with Graph Networks [0.0]
  本研究では,所定の形状設定に対して定常流場を直接予測するモデルを提案する。 このモデルの利点は,局所的な構造を探索しながら,地球規模の物理システムを深く理解することにある。
  論文  参考訳（メタデータ） (2021-05-06T10:35:54Z)
• Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
  我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。 単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
  論文  参考訳（メタデータ） (2021-02-10T23:38:36Z)
• 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。