論文の概要: Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets

• arxiv url: http://arxiv.org/abs/2502.06837v1
• Date: Thu, 06 Feb 2025 03:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:10.593502
• Title: Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets
• Title（参考訳）: 小データセット上での非定常CFD高速化のためのCNNに基づくディープラーニングアーキテクチャの比較
• Authors: Sangam Khanal, Shilaj Baral, Joongoo Jeon,
• Abstract要約: 本研究では、非定常計算流体力学(CFD)シミュレーションを高速化するための高度な畳み込みニューラルネットワーク(CNN)アーキテクチャの比較を行った。 CNNは, 自己回帰時系列予測において, 予測精度とロバスト性を決定するために, 同一条件下で評価された。 ConvLSTM-UNetは、特に差値計算において、より低い最大誤差と安定した残差を達成する他のモデルよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: CFD acceleration for virtual nuclear reactors or digital twin technology is a primary goal in the nuclear industry. This study compares advanced convolutional neural network (CNN) architectures for accelerating unsteady computational fluid dynamics (CFD) simulations using small datasets based on a challenging natural convection flow dataset. The advanced architectures such as autoencoders, UNet, and ConvLSTM-UNet, were evaluated under identical conditions to determine their predictive accuracy and robustness in autoregressive time-series predictions. ConvLSTM-UNet consistently outperformed other models, particularly in difference value calculation, achieving lower maximum errors and stable residuals. However, error accumulation remains a challenge, limiting reliable predictions to approximately 10 timesteps. This highlights the need for enhanced strategies to improve long-term prediction stability. The novelty of this work lies in its fair comparison of state-of-the-art CNN models within the RePIT framework, demonstrating their potential for accelerating CFD simulations while identifying limitations under small data conditions. Future research will focus on exploring alternative models, such as graph neural networks and implicit neural representations. These efforts aim to develop a robust hybrid approach for long-term unsteady CFD acceleration, contributing to practical applications in virtual nuclear reactor.
• Abstract（参考訳）: 仮想原子炉やデジタルツイン技術のCFD加速は、原子力産業の主要な目標である。 本研究では,非定常計算流体力学(CFD)シミュレーションを,挑戦的な自然対流フローデータセットに基づく小さなデータセットを用いて高速化するための進化的畳み込みニューラルネットワーク(CNN)アーキテクチャの比較を行った。 自動エンコーダやUNet,ConvLSTM-UNetなどの高度なアーキテクチャを同一条件下で評価し,自動回帰時系列予測における予測精度とロバスト性を検討した。 ConvLSTM-UNetは、特に差値計算において、より低い最大誤差と安定した残差を達成する他のモデルよりも一貫して優れていた。 しかし、エラーの蓄積は依然として課題であり、信頼性のある予測を約10のタイムステップに制限する。 これは長期予測安定性を改善するための戦略強化の必要性を強調している。 この研究の新規性は、RePITフレームワークにおける最先端CNNモデルの公正な比較にあり、小さなデータ条件下での制限を特定しながらCFDシミュレーションを加速させる可能性を示している。 今後の研究は、グラフニューラルネットワークや暗黙の神経表現など、代替モデルの研究に注力する予定である。 これらの取り組みは、長期非定常CFD加速のための堅牢なハイブリッドアプローチを開発し、仮想原子炉の実用化に寄与することを目的としている。

関連論文リスト

• DSSRNN: Decomposition-Enhanced State-Space Recurrent Neural Network for Time-Series Analysis [1.3654846342364306]
  DSSRNN(Decomposition State-Space Recurrent Neural Network)を紹介する。 DSSRNNは長期および短期の時系列予測のために設計された新しいフレームワークである。 室内空気質データセットにおけるDSSRNNの性能評価を行った。
  論文  参考訳（メタデータ） (2024-12-01T22:55:58Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• 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)
• 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)
• How to Learn and Generalize From Three Minutes of Data: Physics-Constrained and Uncertainty-Aware Neural Stochastic Differential Equations [24.278738290287293]
  ニューラル微分方程式(SDE)を用いた制御力学モデル学習のためのフレームワークとアルゴリズムを提案する。 本研究では,従来の物理知識を帰納バイアスとして活用するためのドリフト項を構築し,学習モデルの予測の不確かさを距離認識した推定値を表す拡散項を設計する。 我々は、シミュレーションロボットシステムの実験を通じてこれらの能力を実証し、ヘキサコプターの飛行力学をモデル化し制御する。
  論文  参考訳（メタデータ） (2023-06-10T02:33:34Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• 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)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。