論文の概要: FlowBench: A Large Scale Benchmark for Flow Simulation over Complex
Geometries
- arxiv url: http://arxiv.org/abs/2409.18032v1
- Date: Thu, 26 Sep 2024 16:38:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 22:26:48.137856
- Title: FlowBench: A Large Scale Benchmark for Flow Simulation over Complex
Geometries
- Title(参考訳): FlowBench: 複雑なフローシミュレーションのための大規模ベンチマーク
測地
- Authors: Ronak Tali, Ali Rabeh, Cheng-Hau Yang, Mehdi Shadkhah, Samundra Karki,
Abhisek Upadhyaya, Suriya Dhakshinamoorthy, Marjan Saadati, Soumik Sarkar,
Adarsh Krishnamurthy, Chinmay Hegde, Aditya Balu, Baskar Ganapathysubramanian
- Abstract要約: FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。
FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
- 参考スコア(独自算出の注目度): 19.15738125919099
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Simulating fluid flow around arbitrary shapes is key to solving various
engineering problems. However, simulating flow physics across complex
geometries remains numerically challenging and computationally
resource-intensive, particularly when using conventional PDE solvers. Machine
learning methods offer attractive opportunities to create fast and adaptable
PDE solvers. However, benchmark datasets to measure the performance of such
methods are scarce, especially for flow physics across complex geometries. We
introduce FlowBench, a dataset for neural simulators with over 10K samples,
which is currently larger than any publicly available flow physics dataset.
FlowBench contains flow simulation data across complex geometries
(\textit{parametric vs. non-parametric}), spanning a range of flow conditions
(\textit{Reynolds number and Grashoff number}), capturing a diverse array of
flow phenomena (\textit{steady vs. transient; forced vs. free convection}), and
for both 2D and 3D. FlowBench contains over 10K data samples, with each sample
the outcome of a fully resolved, direct numerical simulation using a
well-validated simulator framework designed for modeling transport phenomena in
complex geometries. For each sample, we include velocity, pressure, and
temperature field data at 3 different resolutions and several summary
statistics features of engineering relevance (such as coefficients of lift and
drag, and Nusselt numbers). %Additionally, we include masks and signed distance
fields for each shape. We envision that FlowBench will enable evaluating the
interplay between complex geometry, coupled flow phenomena, and data
sufficiency on the performance of current, and future, neural PDE solvers. We
enumerate several evaluation metrics to help rank order the performance of
neural PDE solvers. We benchmark the performance of several baseline methods
including FNO, CNO, WNO, and DeepONet.
- Abstract(参考訳): 任意の形状の流体の流れをシミュレートすることは、様々な工学的問題を解決する鍵となる。
しかし、複雑な地形をまたいだ流れ物理のシミュレーションは数値的に困難であり、特に従来のPDE解法を用いる場合、計算資源が集中的に行われている。
機械学習手法は、高速で適応可能なPDEソルバを作成する魅力的な機会を提供する。
しかし、そのような手法の性能を測定するためのベンチマークデータセットは、特に複雑な測地を横断する流れ物理学では不十分である。
FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットで、現在利用可能なフロー物理データセットよりも大きい。
FlowBenchは、複雑なジオメトリにわたるフローシミュレーションデータ(\textit{parametric vs. non-parametric})、様々なフロー条件(\textit{Reynolds number and Grashoff number})、様々なフロー現象(\textit{steady vs. transient; forced vs. free convection})、および2Dと3Dの双方にまたがるフローシミュレーションデータを含んでいる。
FlowBenchには10K以上のデータサンプルが含まれており、各サンプルは複雑なジオメトリにおける輸送現象をモデル化するために設計されたよく検証されたシミュレーターフレームワークを用いて、完全に解決された直接数値シミュレーションの結果である。
各試料には3つの異なる解像度の速度、圧力、温度場データが含まれており、工学的関連性(リフトとドラッグの係数やヌッセルト数など)のいくつかの要約統計的特徴がある。
% マスクと各形状の符号付き距離場を含む。
FlowBenchは、複雑な幾何学、結合フロー現象、そして、現在および将来のニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができると期待している。
我々は、ニューラルネットワークPDEソルバの性能のランク付けを支援するために、いくつかの評価指標を列挙する。
本稿では,FNO,CNO,WNO,DeepONetなどのベースライン手法の性能をベンチマークする。
関連論文リスト
- 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) - PointSAGE: Mesh-independent superresolution approach to fluid flow predictions [0.0]
高分解能CFDシミュレーションは流体挙動や流れパターンに関する貴重な洞察を提供する。
解像度が大きくなると、計算データ要求と時間の増加が比例する。
複雑な流体の流れを学習し,シミュレーションを直接予測するメッシュ非依存のネットワークであるPointSAGEを提案する。
論文 参考訳(メタデータ) (2024-04-06T12:49:09Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - Neural Multigrid Memory For Computational Fluid Dynamics [13.36209460135302]
本稿では, 乱流シミュレーションのためのデータ駆動手法を提案する。
本稿では,ビデオ予測変換器(VPTR)とマルチグリッドアーキテクチャの長所を組み合わせた手法を提案する。
その結果,計算効率を保ちながら,他のベースラインよりも精度が高いことがわかった。
論文 参考訳(メタデータ) (2023-06-21T20:19:57Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Stacked Generative Machine Learning Models for Fast Approximations of
Steady-State Navier-Stokes Equations [1.4150517264592128]
種々の境界条件下で定常なナビエ・ストークス方程式を解くために弱教師付きアプローチを開発する。
ラベル付きシミュレーションデータを使わずに最先端の結果を得られる。
我々は、N-S方程式の数値解を生成する複雑さを増大させる積み重ねモデルを訓練する。
論文 参考訳(メタデータ) (2021-12-13T05:08:55Z) - PREPRINT: Comparison of deep learning and hand crafted features for
mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。
このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。
16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文 参考訳(メタデータ) (2021-03-11T09:28:00Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z)
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。