論文の概要: Symbolic Regression of Data-Driven Reduced Order Model Closures for Under-Resolved, Convection-Dominated Flows

• arxiv url: http://arxiv.org/abs/2502.04703v1
• Date: Fri, 07 Feb 2025 07:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:55:06.483940
• Title: Symbolic Regression of Data-Driven Reduced Order Model Closures for Under-Resolved, Convection-Dominated Flows
• Title（参考訳）: 解けない対流支配流れに対するデータ駆動型還元次数モデル閉鎖のシンボリック回帰
• Authors: Simone Manti, Ping-Hsuan Tsai, Alessandro Lucantonio, Traian Iliescu,
• Abstract要約: データ駆動クロージャは、未解決の対流支配流の精度を高めるために、標準リダクションオーダーモデル(ROM)を補正する。 本稿では,新しいシンボル回帰(SR)データ駆動ROMクロージャ戦略を提案する。 新たなデータ駆動型SR-ROMクロージャは、解釈可能で、類似性があり、正確で、一般化可能で、堅牢なROMを生成する。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License:
• Abstract: Data-driven closures correct the standard reduced order models (ROMs) to increase their accuracy in under-resolved, convection-dominated flows. There are two types of data-driven ROM closures in current use: (i) structural, with simple ansatzes (e.g., linear or quadratic); and (ii) machine learning-based, with neural network ansatzes. We propose a novel symbolic regression (SR) data-driven ROM closure strategy, which combines the advantages of current approaches and eliminates their drawbacks. As a result, the new data-driven SR closures yield ROMs that are interpretable, parsimonious, accurate, generalizable, and robust. To compare the data-driven SR-ROM closures with the structural and machine learning-based ROM closures, we consider the data-driven variational multiscale ROM framework and two under-resolved, convection-dominated test problems: the flow past a cylinder and the lid-driven cavity flow at Reynolds numbers Re = 10000, 15000, and 20000. This numerical investigation shows that the new data-driven SR-ROM closures yield more accurate and robust ROMs than the structural and machine learning ROM closures.
• Abstract（参考訳）: データ駆動クロージャは、未解決の対流支配流の精度を高めるために、標準リダクションオーダーモデル(ROM)を補正する。 データ駆動ROMの現用には2つのタイプのクロージャがある。 (i) 構造的,単純アンサーゼ(eg,線状又は二次的)で, (ii)ニューラルネットワークによる機械学習。 本稿では,新しいシンボル回帰(SR)データ駆動ROMクロージャ戦略を提案する。 その結果、新しいデータ駆動SRクロージャは、解釈可能で、同義的で、正確で、一般化可能で、堅牢なROMが得られる。 データ駆動型SR-ROMクロージャと構造的および機械学習ベースのROMクロージャを比較するため、データ駆動型変動型マルチスケールROMフレームワークと、シリンダーを過ぎる流れとレイノルズ数Re = 10000,15000,20000における蓋駆動キャビティフローの2つの未解決対流支配試験問題を考察した。 この数値的な研究は、新しいデータ駆動型SR-ROMクロージャが構造的および機械学習ROMクロージャよりも正確で堅牢なROMをもたらすことを示している。

関連論文リスト

• AutoTurb: Using Large Language Models for Automatic Algebraic Model Discovery of Turbulence Closure [15.905369652489505]
  本研究では,LLMを用いてレイノルズ応力モデルを修正するための表現を自動的に検出する新しいフレームワークを提案する。 提案手法は,Re = 10,595 で周期的な丘を横断する流れを分離するためのものである。 The corrective RANS can improve the prediction for the Reynolds stress and mean velocity field。
  論文  参考訳（メタデータ） (2024-10-14T16:06:35Z)
• Multilinear Kernel Regression and Imputation via Manifold Learning [5.482532589225551]
  MultiL-KRIMは、空間の直感的な概念に基づいて構築され、ポイントクラウドの隣人(回帰者)間の協調を損失関数のデータモデリング用語に直接組み込む。 2つの重要なアプリケーションドメインはMultiL-KRIMの機能を示す: 時間変化グラフ信号(TVGS)リカバリと、高速な動的磁気共鳴イメージング(dMRI)データの再構成である。
  論文  参考訳（メタデータ） (2024-02-06T02:50:42Z)
• Bounding data reconstruction attacks with the hypothesis testing interpretation of differential privacy [78.32404878825845]
  レコンストラクションロバストネス(ReRo)は、機械学習モデルに対するデータ再構成攻撃の成功の上限として最近提案されている。 これまでの研究では、差分プライバシー(DP)機構がReRoを提供することを示したが、これまではモンテカルロによるReRo境界の厳密な推定しか示されていない。
  論文  参考訳（メタデータ） (2023-07-08T08:02:47Z)
• Federated Latent Class Regression for Hierarchical Data [5.110894308882439]
  フェデレートラーニング(FL)は、多くのエージェントがローカルに保存されたデータを開示することなく、グローバル機械学習モデルのトレーニングに参加することを可能にする。 本稿では,新しい確率モデルである階層潜在クラス回帰(HLCR)を提案し,フェデレートラーニング(FEDHLCR)への拡張を提案する。 我々の推論アルゴリズムはベイズ理論から派生したもので、強い収束保証と過剰適合性を提供する。実験結果から、FEDHLCRは非IIDデータセットにおいても高速収束を提供することが示された。
  論文  参考訳（メタデータ） (2022-06-22T00:33:04Z)
• Physics Guided Machine Learning for Variational Multiscale Reduced Order Modeling [58.720142291102135]
  本稿では,最小の計算コストで低次モデル(ROM)の精度を向上させるために,新しい物理誘導機械学習(PGML)パラダイムを提案する。 ROM基底の階層構造と変分マルチスケール(VMS)フレームワークは、解決されたROM空間スケールと未解決ROM空間スケールの自然な分離を可能にする。 現代的なPGMLアルゴリズムは、解決された、未解決のROMスケール間の相互作用のための新しいモデルを構築するために使用される。
  論文  参考訳（メタデータ） (2022-05-25T00:07:57Z)
• Stress-Testing LiDAR Registration [52.24383388306149]
  本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。 おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
  論文  参考訳（メタデータ） (2022-04-16T05:10:55Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)

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。