論文の概要: Geometry-aware PINNs for Turbulent Flow Prediction

• arxiv url: http://arxiv.org/abs/2412.01954v1
• Date: Mon, 02 Dec 2024 20:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:40:50.388741
• Title: Geometry-aware PINNs for Turbulent Flow Prediction
• Title（参考訳）: 乱流予測のための幾何対応PINN
• Authors: Shinjan Ghosh, Julian Busch, Georgia Olympia Brikis, Biswadip Dey,
• Abstract要約: NACA4桁翼の乱流場を予測するパラメトリックPINNサロゲートモデルが新たに作成されている。 モデルは未確認のレイノルズ数で未知のNACA翼で検証されている。
• 参考スコア（独自算出の注目度）: 3.193631734016982
• License:
• Abstract: Design exploration or optimization using computational fluid dynamics (CFD) is commonly used in the industry. Geometric variation is a key component of such design problems, especially in turbulent flow scenarios, which involves running costly simulations at every design iteration. While parametric RANS-PINN type approaches have been proven to make effective turbulent surrogates, as a means of predicting unknown Reynolds number flows for a given geometry at near real-time, geometry aware physics informed surrogates with the ability to predict varying geometries are a relatively less studied topic. A novel geometry aware parametric PINN surrogate model has been created, which can predict flow fields for NACA 4 digit airfoils in turbulent conditions, for unseen shapes as well as inlet flow conditions. A local+global approach for embedding has been proposed, where known global design parameters for an airfoil as well as local SDF values can be used as inputs to the model along with velocity inlet/Reynolds number ($\mathcal{R}_e$) to predict the flow fields. A RANS formulation of the Navier-Stokes equations with a 2-equation k-epsilon turbulence model has been used for the PDE losses, in addition to limited CFD data from 8 different NACA airfoils for training. The models have then been validated with unknown NACA airfoils at unseen Reynolds numbers.
• Abstract（参考訳）: 計算流体力学(CFD)を用いた設計探索や最適化が一般的に産業で用いられている。 幾何学的変動は、特に乱流のシナリオにおいて、設計イテレーション毎にコストのかかるシミュレーションを行う場合において、そのような設計問題の鍵となる要素である。 パラメトリック RANS-PINN 型アプローチは効果的な乱流サロゲートを作成することが証明されているが、未知のレイノルズ数フローをほぼリアルタイムで予測する方法として、幾何認識物理学は様々なジオメトリを予測する能力を持つサロゲートを、比較的研究の少ないトピックである。 NACA4桁翼の乱流条件における流れ場を予測し,不明瞭な形状と入射流条件を予測できる,新しい幾何学的パラメトリックPINNサロゲートモデルが作成されている。 空気翼のグローバルな設計パラメータと局所SDF値とをモデルへの入力として用いることができ、流れ場を予測するための速度入口/レイノルズ数(\mathcal{R}_e$)も提案されている。 2方程式k-エプシロン乱流モデルを用いたNavier-Stokes方程式のRANS定式化がPDE損失に使われ、訓練用8種類のNACA翼のCFDデータも制限されている。 その後、モデルは未確認のレイノルズ数で未知のNACA翼で検証された。

関連論文リスト

• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• 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)
• RANS-PINN based Simulation Surrogates for Predicting Turbulent Flows [3.1861308132183384]
  我々は,高レイノルズ数乱流状態における流れ場を予測するために,改良されたPINNフレームワークであるRANS-PINNを導入する。 乱流によってもたらされるさらなる複雑さを考慮するため、RANS-PINNはレイノルズ平均ナヴィエ・ストークス(RANS)の定式化に基づく2方程式渦粘性モデルを採用している。
  論文  参考訳（メタデータ） (2023-06-09T16:55:49Z)
• Generalization capabilities of conditional GAN for turbulent flow under changes of geometry [0.6445605125467573]
  乱流の合成モデリングのためのGAN(Generative Adversarial Network)は、この問題を克服するための数学的に確立されたアプローチである。 本研究では,GANをベースとした合成乱流発生器の流動形状に幾何的変化が発生した場合の一般化キャパビライトについて検討する。 我々は,抽出したウェイク位置の領域を拡大することにより,条件付きGANの一般化の能力と限界を示す。
  論文  参考訳（メタデータ） (2023-02-20T12:21:34Z)
• Fourier Neural Operator with Learned Deformations for PDEs on General Geometries [75.91055304134258]
  我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。 Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。 我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
  論文  参考訳（メタデータ） (2022-07-11T21:55:47Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Surrogate Model for Shallow Water Equations Solvers with Deep Learning [6.123836425156534]
  この研究は、ディープラーニングに基づく効率的で正確で柔軟な代理モデルNN-p2pを導入している。 入力には、空間座標と水理構造の幾何学を記述する境界特徴の両方が含まれている。 NN-p2pは、ニューラルネットワークで見えないピアまわりの流れを予測するのに優れた性能を持つ。
  論文  参考訳（メタデータ） (2021-12-20T22:30:11Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks [5.380828749672078]
  DeepCFDは畳み込みニューラルネットワーク(CNN)ベースのモデルであり、非一様定常層流問題に対する解を効率的に近似する。 DeepCFDを用いることで、標準CFD手法と比較して最大3桁の高速化を低エラー率で実現した。
  論文  参考訳（メタデータ） (2020-04-19T12:00:37Z)

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。