論文の概要: A deep learning approach to wall-shear stress quantification: From numerical training to zero-shot experimental application
- arxiv url: http://arxiv.org/abs/2409.03933v1
- Date: Thu, 5 Sep 2024 22:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 17:10:40.014333
- Title: A deep learning approach to wall-shear stress quantification: From numerical training to zero-shot experimental application
- Title（参考訳）: 壁面応力定量化のための深層学習手法:数値訓練からゼロショット実験への応用
- Authors: Esther Lagemann, Julia Roeb, Steven L. Brunton, Christian Lagemann,
- Abstract要約: 本稿では,乱流境界流の対数層から壁並列速度場を取り込み,深層学習アーキテクチャを提案する。
提案フレームワークは,手軽に利用可能な速度測定から,到達不能な壁面せん断応力情報を抽出する基盤となる。
- 参考スコア（独自算出の注目度）: 2.2284889035802036
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The accurate quantification of wall-shear stress dynamics is of substantial importance for various applications in fundamental and applied research, spanning areas from human health to aircraft design and optimization. Despite significant progress in experimental measurement techniques and post-processing algorithms, temporally resolved wall-shear stress dynamics with adequate spatial resolution and within a suitable spatial domain remain an elusive goal. To address this gap, we introduce a deep learning architecture that ingests wall-parallel velocity fields from the logarithmic layer of turbulent wall-bounded flows and outputs the corresponding 2D wall-shear stress fields with identical spatial resolution and domain size. From a physical perspective, our framework acts as a surrogate model encapsulating the various mechanisms through which highly energetic outer-layer flow structures influence the governing wall-shear stress dynamics. The network is trained in a supervised fashion on a unified dataset comprising direct numerical simulations of statistically 1D turbulent channel and spatially developing turbulent boundary layer flows at friction Reynolds numbers ranging from 390 to 1,500. We demonstrate a zero-shot applicability to experimental velocity fields obtained from Particle-Image Velocimetry measurements and verify the physical accuracy of the wall-shear stress estimates with synchronized wall-shear stress measurements using the Micro-Pillar Shear-Stress Sensor for Reynolds numbers up to 2,000. In summary, the presented framework lays the groundwork for extracting inaccessible experimental wall-shear stress information from readily available velocity measurements and thus, facilitates advancements in a variety of experimental applications.
- Abstract（参考訳）: 壁面の応力力学の正確な定量化は、人間の健康から航空機の設計、最適化に至るまで、基礎的および応用的な研究における様々な応用において極めて重要である。
実験手法や後処理アルゴリズムの進歩にもかかわらず、適切な空間分解能と適切な空間領域内での時間分解壁せん断応力のダイナミクスは解明された目標のままである。
このギャップに対処するために,乱流境界流の対数層から壁並列速度場を取り込み,同じ空間分解能と領域サイズで対応する2次元壁せん断応力場を出力する深層学習アーキテクチャを提案する。
物理面から見ると,我々のフレームワークは,高エネルギーの外層構造が支配壁の応力力学に影響を及ぼす様々なメカニズムをカプセル化した代理モデルとして機能する。
ネットワークは,統計的に1次元乱流チャネルの直接数値シミュレーションと390から1500の摩擦レイノルズ数で空間的に発生する乱流境界層の流れを含む統一データセット上で,教師付き方式で訓練される。
The zero-shot applied to experimental velocity field obtained from Particle-Image Velocimetry measured and verify the physical accuracy of the wall-shear stress estimates with synchronized wall-shear stress Measurement using the Micro-Pillar Shear-Stress Sensor for Reynolds number to 2,000。
要約して, 提案フレームワークは, 容易に利用可能な速度測定から, 到達不能な壁面せん断応力情報を抽出し, 様々な実験応用の進展を促進する基盤となる。
関連論文リスト
- KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks [0.9217021281095907]
我々は,粘弾性乱流における壁面近傍の瞬時流れを予測するためにニューラルネットワークモデルを用いた。
これらのモデルでは、冬眠間隔における関心量の予測精度が向上した。
この方法は、フロー制御や、実験から利用可能な壁情報のみを使用する場合にも使用できる。
論文 参考訳（メタデータ） (2024-04-22T12:19:00Z) - Uncovering wall-shear stress dynamics from neural-network enhanced fluid
flow measurements [2.736093604280113]
物体を通過または内部に移動する乱流流体からの摩擦抵抗は、輸送、公共事業インフラ、エネルギー技術、人間の健康といった様々な領域において重要な役割を担っている。
本稿では,物理知識を持つ深部光学フロー推定器を用いて,流れの測定から空間的・時間的分解能の優れた速度場と壁面応力場を導出する全体論的アプローチを提案する。
論文 参考訳（メタデータ） (2023-10-17T10:56:26Z) - Deep Learning-based Prediction of Stress and Strain Maps in Arterial
Walls for Improved Cardiovascular Risk Assessment [0.0]
本研究では、動脈壁の2次元断面における応力-ひずみ場予測において、FEMの代替としてエンド・ツー・エンドのディープラーニングツールが有効である可能性について検討した。
まず,U-Net を用いた完全畳み込みニューラルネットワーク (CNN) を提案し,動脈壁断面における石灰化の空間的配置に基づくフォン・ミセス応力とひずみ分布の予測を行った。
本研究では, 各種石灰化量と空間構成の異なる動脈壁の応力およびひずみ場マップの予測精度を, 特に知覚的視点から向上する条件付き生成逆数ネットワーク(cGAN)を開発した。
論文 参考訳（メタデータ） (2023-08-03T14:00:01Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Multi-agent reinforcement learning for wall modeling in LES of flow over
periodic hills [9.804725867671264]
マルチエージェント強化学習(MARL)を用いた各種圧力勾配効果を考慮した大渦シミュレーション(LES)の壁モデルを開発した。
このモデルは、周期的な丘陵の上の低レイノルズ数流を用いて訓練され、エージェントは計算格子点に沿って壁に配置される。
訓練されたモデルの解析は, モデルが流れに存在する様々な圧力勾配構造を区別できることを示している。
論文 参考訳（メタデータ） (2022-11-29T17:57:36Z) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-10-12T09:12:59Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Deep Impulse Responses: Estimating and Parameterizing Filters with Deep
Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。
本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T18:57:23Z) - 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) - Machine Learning versus Mathematical Model to Estimate the Transverse
Shear Stress Distribution in a Rectangular Channel [0.0]
本研究では,Tsallisエントロピー,遺伝的プログラミング(GP)および適応型ニューロファジィ推論システム(ANFIS)を用いて,長方形チャネルにおけるせん断応力分布(SSD)を評価する。
Tsallisエントロピー、GPおよびANFISモデルの結果を評価するために、最適化されたPrestonチューブを使用してせん断応力を測定する実験室観察が使用された。
論文 参考訳（メタデータ） (2021-03-06T23:08:09Z)
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。