論文の概要: Equation-informed data-driven identification of flow budgets and dynamics
- arxiv url: http://arxiv.org/abs/2411.09545v1
- Date: Thu, 14 Nov 2024 15:59:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-15 15:23:32.491050
- Title: Equation-informed data-driven identification of flow budgets and dynamics
- Title（参考訳）: 方程式インフォームドデータ駆動型フロー予算とダイナミクスの同定
- Authors: Nataliya Sevryugina, Serena Costanzo, Steve de Bruyn Kops, Colm-cille Caulfield, Iraj Mortazavi, Taraneh Sayadi,
- Abstract要約: 本稿では,フロークラスタリングのための新しいハイブリッド手法を提案する。
それは、方程式に基づく特徴を持つシステムの各サンプルポイントを特徴づけることから成り立っている。
このアルゴリズムは、EulerianフレームワークとLagrangianフレームワークの両方で実装されている。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Computational Fluid Dynamics (CFD) is an indispensable method of fluid modelling in engineering applications, reducing the need for physical prototypes and testing for tasks such as design optimisation and performance analysis. Depending on the complexity of the system under consideration, models ranging from low to high fidelity can be used for prediction, allowing significant speed-up. However, the choice of model requires information about the actual dynamics of the flow regime. Correctly identifying the regions/clusters of flow that share the same dynamics has been a challenging research topic to date. In this study, we propose a novel hybrid approach to flow clustering. It consists of characterising each sample point of the system with equation-based features, i.e. features are budgets that represent the contribution of each term from the original governing equation to the local dynamics at each sample point. This was achieved by applying the Sparse Identification of Nonlinear Dynamical systems (SINDy) method pointwise to time evolution data. The method proceeds with equation-based clustering using the Girvan-Newman algorithm. This allows the detection of communities that share the same physical dynamics. The algorithm is implemented in both Eulerian and Lagrangian frameworks. In the Lagrangian, i.e. dynamic approach, the clustering is performed on the trajectory of each point, allowing the change of clusters to be represented also in time. The performance of the algorithm is first tested on a flow around a cylinder. The construction of the dynamic clusters in this test case clearly shows the evolution of the wake from the steady state solution through the transient to the oscillatory solution. Dynamic clustering was then successfully tested on turbulent flow data. Two distinct and well-defined clusters were identified and their temporal evolution was reconstructed.
- Abstract（参考訳）: 計算流体力学(CFD、Computational Fluid Dynamics)は、設計最適化や性能解析といったタスクの物理的プロトタイプやテストの必要性を低減し、工学的応用において流体モデリングの必要不可欠な手法である。
検討中のシステムの複雑さに応じて、低忠実度から高忠実度までの範囲のモデルを予測に使用することができ、大幅なスピードアップが可能になる。
しかし、モデルの選択には、流れの実際の力学に関する情報が必要である。
同じダイナミクスを共有するフローの領域やクラスタを正しく特定することは、これまで難しい研究トピックでした。
本研究では,フロークラスタリングのための新しいハイブリッド手法を提案する。
これは、システムの各サンプル点を方程式に基づく特徴で特徴づけることから成り、すなわち、特徴は、元の支配方程式から各サンプル点の局所力学への各項の寄与を表す予算である。
これは、時間進化データに対して非線形力学系のスパース同定法(SINDy)を適用することで達成された。
この手法は、Girvan-Newmanアルゴリズムを用いて方程式ベースのクラスタリングを行う。
これにより、同じ物理力学を共有するコミュニティの検出が可能になる。
このアルゴリズムはEulerianとLagrangianの両方のフレームワークで実装されている。
ラグランジアン、すなわち動的アプローチでは、クラスタリングは各点の軌道上で行われ、クラスタの変更も時間内に表現できる。
アルゴリズムの性能は、まずシリンダー周りの流れで試験される。
このテストケースにおける動的クラスターの構成は、過渡から振動解への定常解からの開路の進化をはっきりと示している。
動的クラスタリングは乱流データ上で正常にテストされた。
明確に定義された2つのクラスターが同定され、その時間的進化が再構成された。
関連論文リスト
- On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Tensor Decompositions Meet Control Theory: Learning General Mixtures of
Linear Dynamical Systems [19.47235707806519]
テンソル分解に基づく線形力学系の混合を学習するための新しいアプローチを提案する。
このアルゴリズムは, 成分の分離条件が強くないまま成功し, 軌道のベイズ最適クラスタリングと競合することができる。
論文 参考訳（メタデータ） (2023-07-13T03:00:01Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Dynamic Bayesian Learning and Calibration of Spatiotemporal Mechanistic
System [0.0]
ノイズ観測に基づくメカニカルモデルの完全学習と校正のためのアプローチを開発する。
通常の偏微分方程式と偏微分方程式の分析から生じる問題を解くことで、この柔軟性を実証する。
論文 参考訳（メタデータ） (2022-08-12T23:17:46Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳（メタデータ） (2022-07-28T19:59:14Z) - Streaming Inference for Infinite Non-Stationary Clustering [9.84413545378636]
非定常データの連続的なストリームから教師なしの方法で学習することは、知的なエージェントが直面する最も一般的で最も困難な設定の1つであることは間違いない。
ここでは、クラスタリング(混合モデリング)の文脈における3つの条件(教師なし、ストリーミング、非定常)の学習を攻撃する。
我々は、混合モデルに新しいクラスタをオンラインで作成できる新しいクラスタリングアルゴリズムを導入する。
論文 参考訳（メタデータ） (2022-05-02T21:05:18Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Linearization and Identification of Multiple-Attractors Dynamical System
through Laplacian Eigenmaps [8.161497377142584]
速度拡張カーネルを利用したグラフベースのスペクトルクラスタリング手法を提案し,同じダイナミックスに属するデータポイントを接続する。
部分力学が線型であり、n-次元埋め込みが準線型であるような2次元埋め込み空間が常に存在することを証明する。
我々は、ラプラシアン埋め込み空間から元の空間への微分同相性を学び、ラプラシアン埋め込みが良好な再構成精度とより高速な訓練時間をもたらすことを示す。
論文 参考訳（メタデータ） (2022-02-18T12:43:25Z) - Reconstructing a dynamical system and forecasting time series by
self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。
教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文 参考訳（メタデータ） (2021-08-04T06:10:58Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。