論文の概要: Reconstructing unsteady flows from sparse, noisy measurements with a physics-constrained convolutional neural network

• arxiv url: http://arxiv.org/abs/2409.00260v1
• Date: Fri, 30 Aug 2024 21:17:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 16:02:27.222695
• Title: Reconstructing unsteady flows from sparse, noisy measurements with a physics-constrained convolutional neural network
• Title（参考訳）: 物理拘束型畳み込みニューラルネットワークによるスパース・ノイズ計測からの非定常流れの再構成
• Authors: Yaxin Mo, Luca Magri,
• Abstract要約: 不完全なデータから完全な流れ場を再構築するために、決定論的ツールである物理制約付き畳み込みニューラルネットワークを開発した。 機械学習の文献から,新たに提案された3つの損失関数について検討する。 (i) ソフト制約された損失, (ii) センサ位置での予測を制約するスナップショット強化損失, (iii) センサ位置での予測の平均を制約する平均強化損失。
• 参考スコア（独自算出の注目度）: 4.266376725904727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data from fluid flow measurements are typically sparse, noisy, and heterogeneous, often from mixed pressure and velocity measurements, resulting in incomplete datasets. In this paper, we develop a physics-constrained convolutional neural network, which is a deterministic tool, to reconstruct the full flow field from incomplete data. We explore three loss functions, both from machine learning literature and newly proposed: (i) the softly-constrained loss, which allows the prediction to take any value; (ii) the snapshot-enforced loss, which constrains the prediction at the sensor locations; and (iii) the mean-enforced loss, which constrains the mean of the prediction at the sensor locations. The proposed methods do not require the full flow field during training, making it suitable for reconstruction from incomplete data. We apply the method to reconstruct a laminar wake of a bluff body and a turbulent Kolmogorov flow. First, we assume that measurements are not noisy and reconstruct both the laminar wake and the Kolmogorov flow from sensors located at fewer than 1% of all grid points. The snapshot-enforced loss reduces the reconstruction error of the Kolmogorov flow by approximately 25% compared to the softly-constrained loss. Second, we assume that measurements are noisy and propose the mean-enforced loss to reconstruct the laminar wake and the Kolmogorov flow at three different signal-to-noise ratios. We find that, across the ratios tested, the loss functions with harder constraints are more robust to both the random initialization of the networks and the noise levels in the measurements. At high noise levels, the mean-enforced loss can recover the instantaneous snapshots accurately, making it the suitable choice when reconstructing flows from data corrupted with an unknown amount of noise. The proposed method opens opportunities for physical flow reconstruction from sparse, noisy data.
• Abstract（参考訳）: 流体流量の測定から得られるデータは、通常スパース、ノイズ、不均一であり、しばしば混合圧力と速度の測定から得られる。 本稿では,不完全データから全流れ場を再構成する物理制約型畳み込みニューラルネットワークを開発した。 機械学習文学と新たに提案された3つの損失関数について検討する。 一 予測が値を取ることができる柔らかい制約のある損失 二 センサ位置の予測を制約するスナップショット強化損失 三 センサ位置における予測平均を制約する平均強化損失 提案手法はトレーニング中に全流場を必要としないため,不完全なデータから復元するのに適している。 本研究では, ブラフ体と乱流コルモゴロフ流の層流を復元する手法を適用した。 まず,すべての格子点の1%未満に位置するセンサから発生した層流とコルモゴロフ流の両方を再現する。 スナップショット強化損失は,ソフト拘束損失と比較して,コルモゴロフ流の復元誤差を約25%低減する。 第二に,3つの信号対雑音比で,ラミナー・ウェイクとコルモゴロフ流を復元する平均的な損失を提案する。 実験の結果,ネットワークのランダムな初期化と測定におけるノイズレベルの両方に対して,厳密な制約のある損失関数がより堅牢であることが判明した。 高騒音レベルでは、平均強制損失は瞬時にスナップショットを正確に復元することができ、未知のノイズで破損したデータからのフローを再構成する際の適切な選択となる。 提案手法は, 疎度でノイズの多いデータから物理フローを復元する機会を開放する。

関連論文リスト

• Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
  点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。 我々は,各地真実の周囲に凸景観を形成する学習を提案する。
  論文  参考訳（メタデータ） (2024-11-16T01:13:04Z)
• Robust Gradient Descent for Phase Retrieval [13.980824450716568]
  入力(cos)と入力(cos)の両方において、第4モーメント境界雑音に対処する能力について検討する。 従来のシナリオに適合しない新しいステップフォーマットを提案する。
  論文  参考訳（メタデータ） (2024-10-14T15:29:11Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• Robust Loss Functions for Training Decision Trees with Noisy Labels [4.795403008763752]
  我々は、頑健な学習アルゴリズムに繋がる損失関数に着目し、ノイズの多いラベル付きデータを用いて決定木を訓練することを検討する。 まず、決定木学習の文脈において、既存の損失関数のロバスト性に関する新しい理論的知見を提供する。 第2に,分散損失と呼ばれるロバストな損失関数を構築するためのフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-12-20T11:27:46Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• 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)
• LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation [99.19322851246972]
  本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
  論文  参考訳（メタデータ） (2020-07-18T03:30:39Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)

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。