論文の概要: Bayesian inference of mean velocity fields and turbulence models from flow MRI

• arxiv url: http://arxiv.org/abs/2412.11266v1
• Date: Sun, 15 Dec 2024 18:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:09.918490
• Title: Bayesian inference of mean velocity fields and turbulence models from flow MRI
• Title（参考訳）: 流れMRIによる平均速度場と乱流モデルのベイズ推定
• Authors: A. Kontogiannis, P. Nair, M. Loecher, D. B. Ennis, A. Marsden, M. P. Juniper,
• Abstract要約: 本研究では, 実効粘度モデルの最も可能性の高いパラメータを学習し, 乱流の平均流れデータから不確かさを推定するアルゴリズムを考案する。 このアルゴリズムは平均流れ場を再構成し、過度に適合することなく最も起こりうる乱流モデルパラメータを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We solve a Bayesian inverse Reynolds-averaged Navier-Stokes (RANS) problem that assimilates mean flow data by jointly reconstructing the mean flow field and learning its unknown RANS parameters. We devise an algorithm that learns the most likely parameters of an algebraic effective viscosity model, and estimates their uncertainties, from mean flow data of a turbulent flow. We conduct a flow MRI experiment to obtain mean flow data of a confined turbulent jet in an idealized medical device known as the FDA (Food and Drug Administration) nozzle. The algorithm successfully reconstructs the mean flow field and learns the most likely turbulence model parameters without overfitting. The methodology accepts any turbulence model, be it algebraic (explicit) or multi-equation (implicit), as long as the model is differentiable, and naturally extends to unsteady turbulent flows.
• Abstract（参考訳）: 平均流れ場を共同で再構成し、未知のRANSパラメータを学習することにより平均流れデータを同化するベイズ逆レイノルズ平均Navier-Stokes(RANS)問題を解く。 本研究では, 代数的有効粘性モデルの最も可能性の高いパラメータを学習するアルゴリズムを考案し, 乱流の平均流れデータからその不確かさを推定する。 FDA (Food and Drug Administration) ノズルと呼ばれる理想化された医療機器を用いて, 閉じ込められた乱流噴流の平均流れデータを得るための流れMRI実験を行った。 このアルゴリズムは平均流れ場を再構成し、過度に適合することなく最も起こりうる乱流モデルパラメータを学習する。 この方法論は、モデルが微分可能である限り、任意の乱流モデル、すなわち代数的(明示的)あるいは多重方程式(単純性)を受け入れ、自然に非定常乱流に拡張する。

関連論文リスト

• Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
  本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。 近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
  論文  参考訳（メタデータ） (2024-10-31T14:26:10Z)
• 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)
• Generative AI for fast and accurate Statistical Computation of Fluids [21.820160898966055]
  本稿では,高速で正確で頑健な統計計算の課題に対処する生成AIアルゴリズムを提案する。 GenCFDと呼ばれる我々のアルゴリズムは条件付きスコアベース拡散モデルに基づいている。
  論文  参考訳（メタデータ） (2024-09-27T00:26:18Z)
• Learning rheological parameters of non-Newtonian fluids from velocimetry data [46.2482873419289]
  せん断薄い流体の最も可能性が高いカラオウパラメータを学習するアルゴリズムを考案する。 このアルゴリズムは,最も可能性の高いCarreauパラメータを学習することで,流れ場を再構築できることを示す。
  論文  参考訳（メタデータ） (2024-08-05T16:27:38Z)
• Bayesian inverse Navier-Stokes problems: joint flow field reconstruction and parameter learning [44.62264781248436]
  ベイズ逆ナヴィエ・ストークス(N-S)問題を定式化して解く。 境界位置を含む未知のN-Sパラメータを学習する。 次に,この手法を用いて3次元定常層流の磁気共鳴速度測定データを再構成する。
  論文  参考訳（メタデータ） (2024-06-26T16:16:36Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• 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)
• 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)
• Discrete Denoising Flows [87.44537620217673]
  分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。 他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。 そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
  論文  参考訳（メタデータ） (2021-07-24T14:47:22Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。