論文の概要: Solving Turbulent Rayleigh-Bénard Convection using Fourier Neural Operators
- arxiv url: http://arxiv.org/abs/2501.16209v1
- Date: Mon, 27 Jan 2025 17:01:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:54:14.668060
- Title: Solving Turbulent Rayleigh-Bénard Convection using Fourier Neural Operators
- Title(参考訳): フーリエニューラル演算子を用いたレイリー・ベナード対流の解法
- Authors: Michiel Straat, Thorben Markmann, Barbara Hammer,
- Abstract要約: 我々は自然と産業で発生する対流過程のモデルを訓練する。
流体力学におけるFNO置換体の予測精度とモデル特性を比較した。
FNOモデルは、RBCのフロー制御のような下流タスクで使用される可能性が高い。
- 参考スコア(独自算出の注目度): 4.248022697109535
- License:
- Abstract: We train Fourier Neural Operator (FNO) surrogate models for Rayleigh-B\'enard Convection (RBC), a model for convection processes that occur in nature and industrial settings. We compare the prediction accuracy and model properties of FNO surrogates to two popular surrogates used in fluid dynamics: the Dynamic Mode Decomposition and the Linearly-Recurrent Autoencoder Network. We regard Direct Numerical Simulations (DNS) of the RBC equations as the ground truth on which the models are trained and evaluated in different settings. The FNO performs favorably when compared to the DMD and LRAN and its predictions are fast and highly accurate for this task. Additionally, we show its zero-shot super-resolution ability for the convection dynamics. The FNO model has a high potential to be used in downstream tasks such as flow control in RBC.
- Abstract(参考訳): 本研究では,自然環境と産業環境下で発生する対流過程のモデルであるレイリー・ブエナード対流 (RBC) に対して,フーリエニューラル演算子 (FNO) シュロゲートモデルを訓練する。
流体力学におけるFNOサロゲートの予測精度とモデル特性を,動的モード分解と線形リカレントオートエンコーダネットワークという2つの一般的なサロゲートと比較した。
我々は,RBC方程式の直接数値シミュレーション(DNS)を,モデルが異なる設定で訓練され,評価される基礎的真実とみなす。
FNOはDMDやLRANと比較して良好に動作し、その予測は高速で高精度である。
さらに、対流力学のゼロショット超解像能を示す。
FNOモデルは、RBCのフロー制御のような下流タスクで使用される可能性が高い。
関連論文リスト
- Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。
IFactFormer-mモデルは乱流流の長期予測に成功している。
論文 参考訳(メタデータ) (2024-12-25T09:05:14Z) - Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling [3.9134883314626876]
我々は、乱流の代理モデリングにおいて、ニューラル演算子のスペクトル制限に対処するために、拡散モデルとニューラル演算子を統合する。
我々のアプローチは、多様なデータセット上で異なるニューラル演算子に対して検証されている。
この研究は、生成モデルとニューラル演算子を組み合わせるための新しいパラダイムを確立し、乱流系の代理モデリングを前進させる。
論文 参考訳(メタデータ) (2024-09-13T02:07:20Z) - Koopman-Based Surrogate Modelling of Turbulent Rayleigh-Bénard Convection [4.248022697109535]
我々は,LRAN(Linear Recurrent Autoencoder Network)と呼ばれるクープマンにインスパイアされたアーキテクチャを用いて,対流中の低次ダイナミクスを学習する。
従来の流体力学法であるKernel Dynamic Mode Decomposition (KDMD)を用いてLRANを比較する。
我々は,最も乱流条件下では,KDMDよりもLRANの方が正確な予測値を得た。
論文 参考訳(メタデータ) (2024-05-10T12:15:02Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - Improving and generalizing flow-based generative models with minibatch
optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。
CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。
我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文 参考訳(メタデータ) (2023-02-01T14:47:17Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Generative Modeling of Turbulence [0.7646713951724012]
GAN(Generative Adversarial Network)を用いた乱流の合成モデリングのための数学的に確立されたアプローチを提案する。
GANは、適度なトレーニング日量に基づいて、技術的に困難な流れ問題の乱流をシミュレーションするのに効率的である。
論文 参考訳(メタデータ) (2021-12-05T11:39:14Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Incorporating NODE with Pre-trained Neural Differential Operator for
Learning Dynamics [73.77459272878025]
ニューラル微分演算子(NDO)の事前学習による動的学習における教師付き信号の強化を提案する。
NDOは記号関数のクラスで事前訓練され、これらの関数の軌跡サンプルとそれらの導関数とのマッピングを学習する。
我々は,NDOの出力が,ライブラリの複雑さを適切に調整することで,基礎となる真理微分を適切に近似できることを理論的に保証する。
論文 参考訳(メタデータ) (2021-06-08T08:04:47Z)
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。