論文の概要: Decrypting the temperature field in flow boiling with latent diffusion models
- arxiv url: http://arxiv.org/abs/2501.16510v1
- Date: Mon, 27 Jan 2025 21:18:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:40:50.051088
- Title: Decrypting the temperature field in flow boiling with latent diffusion models
- Title(参考訳): 潜時拡散モデルによる流動沸騰における温度場の復号化
- Authors: UngJin Na, JunYoung Seo, Taeil Kim, ByongGuk Jeon, HangJin Jo,
- Abstract要約: 本稿では,位相インジケータマップから温度場を生成するためにLDM(Latent Diffusion Models)を用いた革新的な手法を提案する。
数値シミュレーションからBubbleMLデータセットを利用することで, LDM位相場データを対応する温度分布に変換する。
結果として得られるモデルは、界面における複雑な温度場を効果的に再構成する。
- 参考スコア(独自算出の注目度): 1.9190568044682759
- License:
- Abstract: This paper presents an innovative method using Latent Diffusion Models (LDMs) to generate temperature fields from phase indicator maps. By leveraging the BubbleML dataset from numerical simulations, the LDM translates phase field data into corresponding temperature distributions through a two-stage training process involving a vector-quantized variational autoencoder (VQVAE) and a denoising autoencoder. The resulting model effectively reconstructs complex temperature fields at interfaces. Spectral analysis indicates a high degree of agreement with ground truth data in the low to mid wavenumber ranges, even though some inconsistencies are observed at higher wavenumbers, suggesting areas for further enhancement. This machine learning approach significantly reduces the computational burden of traditional simulations and improves the precision of experimental calibration methods. Future work will focus on refining the model's ability to represent small-scale turbulence and expanding its applicability to a broader range of boiling conditions.
- Abstract(参考訳): 本稿では,位相インジケータマップから温度場を生成するためにLDM(Latent Diffusion Models)を用いた革新的な手法を提案する。
数値シミュレーションからBubbleMLデータセットを活用することで、LDMは、ベクトル量子化変分オートエンコーダ(VQVAE)と復調オートエンコーダを含む2段階のトレーニングプロセスを通じて、位相場データを対応する温度分布に変換する。
結果として得られるモデルは、界面における複雑な温度場を効果的に再構成する。
スペクトル分析は、高波数でいくつかの不整合が観測されているにもかかわらず、低波数から中波数の範囲における地上の真理データとの高い一致を示し、さらなる拡張の領域を示唆している。
この機械学習アプローチは、従来のシミュレーションの計算負担を大幅に削減し、実験校正法の精度を向上する。
今後の研究は、小型の乱流を表現するモデルの能力を洗練し、その適用範囲を幅広い沸騰条件にまで広げることに集中する。
関連論文リスト
- Binocular Model: A deep learning solution for online melt pool temperature analysis using dual-wavelength Imaging Pyrometry [0.0]
金属添加物製造(AM)において, メルトプール(MP)の温度監視は, 部品品質, プロセス安定性, 欠陥防止, プロセス全体の最適化の確保に不可欠である。
従来の手法は収束が遅く、データを実行可能な洞察に変換するために広範囲な手作業を必要とする。
本稿では,手作業によるデータ処理依存を減らすことを目的とした人工知能(AI)ベースのソリューションを提案する。
論文 参考訳(メタデータ) (2024-08-20T18:26:09Z) - EM Distillation for One-step Diffusion Models [65.57766773137068]
最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。
本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
論文 参考訳(メタデータ) (2024-05-27T05:55:22Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - Multi-fidelity surrogate with heterogeneous input spaces for modeling melt pools in laser-directed energy deposition [0.0]
MFモデリング(Multi-fidelity Modeling)は、様々なフィデリティソースからデータをインテリジェントにブレンドできる強力な統計手法である。
メルトプールモデルの階層をマージするためにMFサロゲートを使用する際の大きな課題は、入力空間における可変性である。
本稿では, 様々な複雑さのモデルを統合することで, 溶融プール形状を予測するためのMFサロゲート構築手法を提案する。
論文 参考訳(メタデータ) (2024-03-19T20:12:46Z) - Capturing Local Temperature Evolution during Additive Manufacturing
through Fourier Neural Operators [0.0]
本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。
直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。
その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
論文 参考訳(メタデータ) (2023-07-04T16:17:59Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Long Horizon Temperature Scaling [90.03310732189543]
LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。
温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-07T18:59:32Z) - Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network [8.98674326282801]
本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。
低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。
物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
論文 参考訳(メタデータ) (2023-01-17T03:13:45Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳(メタデータ) (2022-02-26T12:39:19Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。