論文の概要: Modeling Continuous Spatial-temporal Dynamics of Turbulent Flow with Test-time Refinement
- arxiv url: http://arxiv.org/abs/2412.19927v1
- Date: Fri, 27 Dec 2024 21:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:04:56.251834
- Title: Modeling Continuous Spatial-temporal Dynamics of Turbulent Flow with Test-time Refinement
- Title（参考訳）: 試験時間リファインメントによる乱流の連続時空間ダイナミクスのモデル化
- Authors: Shengyu Chen, Peyman Givi, Can Zheng, Xiaowei Jia,
- Abstract要約: 直接数値シミュレーション(DNS)の代替として大型渦シミュレーション(LES)が登場している。
DNSは乱流輸送スケールの全スペクトルを正確に捉えることができず、空間分解能が低い場合にのみ存在する。
本稿では,物理知識を生かした新しいフロー再構成手法を提案する。
- 参考スコア（独自算出の注目度）: 9.923888452768919
- License:
- Abstract: The precise simulation of turbulent flows holds immense significance across various scientific and engineering domains, including climate science, freshwater science, and energy-efficient manufacturing. Within the realm of simulating turbulent flows, large eddy simulation (LES) has emerged as a prevalent alternative to direct numerical simulation (DNS), offering computational efficiency. However, LES cannot accurately capture the full spectrum of turbulent transport scales and is present only at a lower spatial resolution. Reconstructing high-fidelity DNS data from the lower-resolution LES data is essential for numerous applications, but it poses significant challenges to existing super-resolution techniques, primarily due to the complex spatio-temporal nature of turbulent flows. This paper proposes a novel flow reconstruction approach that leverages physical knowledge to model flow dynamics. Different from traditional super-resolution techniques, the proposed approach uses LES data only in the testing phase through a degradation-based refinement approach to enforce physical constraints and mitigate cumulative reconstruction errors over time. Furthermore, a feature sampling strategy is developed to enable flow data reconstruction across different resolutions. The results on two distinct sets of turbulent flow data indicate the effectiveness of the proposed method in reconstructing high-resolution DNS data, preserving the inherent physical attributes of flow transport, and achieving DNS reconstruction at different resolutions.
- Abstract（参考訳）: 乱流の正確なシミュレーションは、気候科学、淡水科学、エネルギー効率の高い製造など、様々な科学・工学分野において大きな意味を持つ。
乱流シミュレーションの領域内では、直接数値シミュレーション(DNS)の代替として大きな渦シミュレーション(LES)が登場し、計算効率が向上した。
しかし、LESは乱流輸送スケールの全スペクトルを正確に捉えることができず、より低い空間分解能でのみ存在する。
低分解能LESデータから高忠実度DNSデータを再構成することは、多くのアプリケーションに不可欠であるが、乱流の複雑な時空間特性のために、既存の超解像技術に重大な課題をもたらす。
本稿では,物理知識を生かした新しいフロー再構成手法を提案する。
従来の超解像法とは異なり, 提案手法では, 物理制約を強制し, 累積再構成誤差を時間とともに軽減するために, 劣化に基づく改良手法を用いて, テスト段階でのみLESデータを使用する。
さらに,様々な解像度のフローデータ再構成を可能にするため,特徴サンプリング戦略を開発した。
その結果, 高分解能DNSデータの再構成, 流動輸送特性の保存, 異なる分解能でDNS再構成を実現する上で, 提案手法の有効性が示唆された。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。
私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
論文 参考訳（メタデータ） (2024-06-01T17:29:29Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳（メタデータ） (2024-05-31T20:05:17Z) - Vision-Informed Flow Image Super-Resolution with Quaternion Spatial
Modeling and Dynamic Flow Convolution [49.45309818782329]
フロー画像超解像(FISR)は、低分解能フロー画像から高分解能乱流速度場を復元することを目的としている。
既存のFISR法は主に自然画像パターンのフロー画像を処理する。
第一流れの視覚特性インフォームドFISRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-29T06:48:16Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Reconstructing Turbulent Flows Using Physics-Aware Spatio-Temporal
Dynamics and Test-Time Refinement [10.711201734103073]
低分解能LESデータからシーケンシャルDNSを再構成する物理誘導型ニューラルネットワークを提案する。
また, 物理的制約を強制し, 長期にわたって蓄積した復元誤差を低減するために, Sim ベースの精錬法を開発した。
論文 参考訳（メタデータ） (2023-04-24T14:33:34Z) - RecFNO: a resolution-invariant flow and heat field reconstruction method
from sparse observations via Fourier neural operator [8.986743262828009]
本稿では,RecFNOという優れた性能とメッシュ転送性を備えたエンド・ツー・エンドの物理場再構成手法を提案する。
提案手法は, スパース観測から無限次元空間における流れと熱場への写像を学習することを目的としている。
流体力学および熱力学に関する実験により,提案手法は既存のPOD法およびCNN法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-02-20T07:20:22Z) - Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。
物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。
その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
論文 参考訳（メタデータ） (2022-08-02T13:57:35Z) - Reconstructing High-resolution Turbulent Flows Using Physics-Guided
Neural Networks [3.9548535445908928]
乱流の直接数値シミュレーション(DNS)は計算コストが高く、レイノルズ数が大きい流れには適用できない。
大規模渦シミュレーション(LES)は計算量が少ないが、乱流輸送の全てのスケールを正確に捉えることはできない。
LES予測からDNSデータを再構築するための超解像技術に基づく新しいデータ駆動手法を構築した。
論文 参考訳（メタデータ） (2021-09-06T03:01:24Z) - 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。