論文の概要: NeuralDEM - Real-time Simulation of Industrial Particulate Flows

• arxiv url: http://arxiv.org/abs/2411.09678v1
• Date: Thu, 14 Nov 2024 18:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:25:03.684633
• Title: NeuralDEM - Real-time Simulation of Industrial Particulate Flows
• Title（参考訳）: ニューラルDEM -産業粒子流のリアルタイムシミュレーション-
• Authors: Benedikt Alkin, Tobias Kronlachner, Samuele Papa, Stefan Pirker, Thomas Lichtenegger, Johannes Brandstetter,
• Abstract要約: 本稿では、遅い数値DEMルーチンを高速で適応可能なディープラーニングサロゲートに置き換えるエンドツーエンドアプローチを提案する。 NeuralDEMは、高度なエンジニアリングとより高速なプロセスサイクルに多くの新しいドアを開く。
• 参考スコア（独自算出の注目度）: 9.364194613062482
• License:
• Abstract: Advancements in computing power have made it possible to numerically simulate large-scale fluid-mechanical and/or particulate systems, many of which are integral to core industrial processes. Among the different numerical methods available, the discrete element method (DEM) provides one of the most accurate representations of a wide range of physical systems involving granular and discontinuous materials. Consequently, DEM has become a widely accepted approach for tackling engineering problems connected to granular flows and powder mechanics. Additionally, DEM can be integrated with grid-based computational fluid dynamics (CFD) methods, enabling the simulation of chemical processes taking place, e.g., in fluidized beds. However, DEM is computationally intensive because of the intrinsic multiscale nature of particulate systems, restricting simulation duration or number of particles. Towards this end, NeuralDEM presents an end-to-end approach to replace slow numerical DEM routines with fast, adaptable deep learning surrogates. NeuralDEM is capable of picturing long-term transport processes across different regimes using macroscopic observables without any reference to microscopic model parameters. First, NeuralDEM treats the Lagrangian discretization of DEM as an underlying continuous field, while simultaneously modeling macroscopic behavior directly as additional auxiliary fields. Second, NeuralDEM introduces multi-branch neural operators scalable to real-time modeling of industrially-sized scenarios - from slow and pseudo-steady to fast and transient. Such scenarios have previously posed insurmountable challenges for deep learning models. Notably, NeuralDEM faithfully models coupled CFD-DEM fluidized bed reactors of 160k CFD cells and 500k DEM particles for trajectories of 28s. NeuralDEM will open many new doors to advanced engineering and much faster process cycles.
• Abstract（参考訳）: 計算能力の進歩により、大規模流体力学および/または微粒子系を数値的にシミュレートすることが可能となり、その多くは中核産業プロセスに不可欠なものである。 異なる数値法のうち、離散要素法(DEM)は、粒状および不連続材料を含む幅広い物理系の最も正確な表現の1つである。 その結果、DEMは粒状流れや粉体力学に関連する工学的問題に対処するための広く受け入れられたアプローチとなった。 さらに、DEMはグリッドベースの計算流体力学(CFD)法と統合することができ、流動層における化学過程のシミュレーションを可能にする。 しかし、DEMは粒子系の本質的なマルチスケールの性質のために計算集約であり、シミュレーション時間や粒子数を制限する。 この目的に向けてNeuralDEMは、遅い数値DEMルーチンを高速で適応可能なディープラーニングサロゲートに置き換えるエンドツーエンドのアプローチを提案する。 ニューラルDEMは、顕微鏡モデルパラメータに言及せずに、マクロな観測可能なものを使用して、異なるレシエーションをまたいだ長期的な輸送過程を撮影することができる。 まず、NeuralDEMはDEMのラグランジアン離散化を基礎となる連続体として扱い、同時にマクロ的な振る舞いを補助体として直接モデル化する。 第二に、NeuralDEMでは、遅くて擬似的から高速かつ過渡的な、産業規模のシナリオのリアルタイムモデリングにスケーラブルなマルチブランチニューラル演算子を導入している。 このようなシナリオは、これまでディープラーニングモデルに克服不可能な課題を提起してきた。 特に、NeuralDEMは、160kのCFDセルと500kのDEM粒子からなるCFD-DEM流動層反応器を、28の軌道に対して忠実に結合したモデルである。 NeuralDEMは、高度なエンジニアリングとより高速なプロセスサイクルに多くの新しいドアを開く。

関連論文リスト

• Graph Convolutional Neural Networks as Surrogate Models for Climate Simulation [0.1884913108327873]
  我々は,完全接続型ニューラルネットワーク(FCNN)とグラフ畳み込み型ニューラルネットワーク(GCNN)を活用し,高速なシミュレーションと不確実性定量化を実現する。 我々のサロゲートは、1つのA100 GPUで約310秒で80年シミュレーションしましたが、ESMモデルでは数週間でした。
  論文  参考訳（メタデータ） (2024-09-19T14:41:15Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Micro-Macro Consistency in Multiscale Modeling: Score-Based Model Assisted Sampling of Fast/Slow Dynamical Systems [0.0]
  物理に基づくマルチ時間動的システムの研究において,サンプリングの高度化のための技術が開発されている。 機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプリングすることである。 本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムにおけるサンプリングを改善することができることを示す。
  論文  参考訳（メタデータ） (2023-12-10T00:46:37Z)
• Predicting rate kernels via dynamic mode decomposition [16.144510246748258]
  量子レートプロセスにおけるレートカーネルの評価には動的モード分解を用いる。 本研究は,DMDが従来の伝搬法と比較して正確な結果の予測が可能であることを示唆している。
  論文  参考訳（メタデータ） (2023-08-03T09:10:27Z)
• Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates for Molecular Dynamics [8.35780131268962]
  シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。 また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-29T12:19:41Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• 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)
• Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks [4.444748822792469]
  学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。 非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
  論文  参考訳（メタデータ） (2022-04-21T18:07:08Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)

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。