論文の概要: Coarse graining and reduced order models for plume ejection dynamics

• arxiv url: http://arxiv.org/abs/2503.04690v1
• Date: Thu, 06 Mar 2025 18:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:17.003393
• Title: Coarse graining and reduced order models for plume ejection dynamics
• Title（参考訳）: 噴流ダイナミックスの粗粒化と還元次数モデル
• Authors: Ike Griss Salas, Megan R. Ebers, Jake Stevens-Haas, J. Nathan Kutz,
• Abstract要約: 大気汚染物質の大気分散のモニタリングは、環境影響評価にとってますます重要になっている。 高忠実度計算モデルは、しばしば配管力学をシミュレートし、意思決定を導き、資源配置を優先順位付けするために用いられる。 本稿では,ビデオデータから直接プラムダイナミクスの低次解析モデルを同定する,データ駆動型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.8820361301109365
• License:
• Abstract: Monitoring the atmospheric dispersion of pollutants is increasingly critical for environmental impact assessments. High-fidelity computational models are often employed to simulate plume dynamics, guiding decision-making and prioritizing resource deployment. However, such models can be prohibitively expensive to simulate, as they require resolving turbulent flows at fine spatial and temporal resolutions. Moreover, there are at least two distinct dynamical regimes of interest in the plume: (i) the initial ejection of the plume where turbulent mixing is generated by the shear-driven Kelvin-Helmholtz instability, and (ii) the ensuing turbulent diffusion and advection which is often modeled by the Gaussian plume model. We address the challenge of modeling the initial plume generation. Specifically, we propose a data-driven framework that identifies a reduced-order analytical model for plume dynamics -- directly from video data. We extract a time series of plume center and edge points from video snapshots and evaluate different regressions based to their extrapolation performance to generate a time series of coefficients that characterize the plume's overall direction and spread. We regress to a sinusoidal model inspired by the Kelvin-Helmholtz instability for the edge points in order to identify the plume's dispersion and vorticity. Overall, this reduced-order modeling framework provides a data-driven and lightweight approach to capture the dominant features of the initial nonlinear point-source plume dynamics, agnostic to plume type and starting only from video. The resulting model is a pre-cursor to standard models such as the Gaussian plume model and has the potential to enable rapid assessment and evaluation of critical environmental hazards, such as methane leaks, chemical spills, and pollutant dispersal from smokestacks.
• Abstract（参考訳）: 大気汚染物質の大気分散のモニタリングは、環境影響評価にとってますます重要になっている。 高忠実度計算モデルは、しばしば配管力学をシミュレートし、意思決定を導き、資源配置を優先順位付けするために用いられる。 しかし、このようなモデルでは、微小な空間的および時間的解像度で乱流を解消する必要があるため、シミュレートは違法に高価である。 さらに、プラムには少なくとも2つの異なる動力学的な関係がある。 一 せん断駆動のケルビン・ヘルムホルツ不安定により乱流混合が発生するプルームの初期噴出、及び (II) ガウス梅モデルでモデル化される乱流拡散と対流。 初期配管生成のモデル化の課題に対処する。 具体的には、ビデオデータから直接、配管力学の低次解析モデルを特定するデータ駆動フレームワークを提案する。 ビデオスナップショットから羽根中心点と縁点の時系列を抽出し、その外挿性能に基づいて異なる回帰値を評価し、羽根全体の方向と広がりを特徴付ける係数の時系列を生成する。 我々は,角点のケルビン・ヘルムホルツ不安定性に着想を得た正弦波モデルに回帰し,羽根の分散と渦度を同定する。 全体として、この低次モデリングフレームワークは、データ駆動で軽量なアプローチを提供し、初期非線形点ソースプルームダイナミクスの主流となる特徴を捉え、プルームタイプに依存せず、ビデオからのみ開始する。 結果として得られたモデルは、ガウスプラムモデルのような標準モデルのプリキュラであり、メタン漏れ、化学物質流出、煙突からの汚染物質散布などの重要な環境リスクの迅速な評価と評価を可能にする可能性がある。

関連論文リスト

• TAUDiff: Improving statistical downscaling for extreme weather events using generative diffusion models [0.0]
  迅速なターンアラウンド、動的整合性、正確な時間的回復を達成することが不可欠である。 本稿では,決定論的モデルとより小さな生成的拡散モデルを組み合わせることで,より微細な特徴を再現する効率的な拡散モデルTiffAUDを提案する。 提案手法は, 極端事象のより高速なシミュレーションを実現するだけでなく, 低推算時間による炭素フットプリントの削減も可能である。
  論文  参考訳（メタデータ） (2024-12-18T09:05:19Z)
• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• 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)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation [13.278744447861289]
  本稿では,乱流発生の確率的拡散モデルに基づく新しい生成フレームワークを提案する。 提案手法の特長は, 自己回帰に基づく条件抽出に基づく長寿命流れ列生成法である。 数値解析実験により, フレームワークの多目的乱流発生能力を実証した。
  論文  参考訳（メタデータ） (2023-11-14T04:08:14Z)
• Spontaneous Symmetry Breaking in Generative Diffusion Models [6.4322891559626125]
  生成拡散モデルは近年,高次元データ生成の先導的アプローチとして浮上している。 これらのモデルの力学は、生成力学を2つの異なる位相に分割する自発的対称性の破れを示す。 本稿では,より高性能でバイアスの少ない高速サンプリングを実現する可能性を持つ拡散モデルの生成力学を理解するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T09:36:34Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)

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。