論文の概要: Physics-constrained DeepONet for Surrogate CFD models: a curved backward-facing step case

• arxiv url: http://arxiv.org/abs/2503.11196v1
• Date: Fri, 14 Mar 2025 08:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:05:39.348929
• Title: Physics-constrained DeepONet for Surrogate CFD models: a curved backward-facing step case
• Title（参考訳）: サーロゲートCFDモデルのための物理拘束型DeepONet:湾曲した後向きステップケース
• Authors: Anas Jnini, Harshinee Goordoyal, Sujal Dave, Flavio Vella, Katharine H. Fraser, Artem Korobenko,
• Abstract要約: PC-DeepONetアーキテクチャは、基本的な物理知識をデータ駆動型DeepONetモデルに組み込んでいる。 どちらのモデルも50サンプルの小さなデータセットで収束し、収束するのに50イテレーションしか必要としない。
• 参考スコア（独自算出の注目度）: 0.9565934024763958
• License:
• Abstract: The Physics-Constrained DeepONet (PC-DeepONet), an architecture that incorporates fundamental physics knowledge into the data-driven DeepONet model, is presented in this study. This methodology is exemplified through surrogate modeling of fluid dynamics over a curved backward-facing step, a benchmark problem in computational fluid dynamics. The model was trained on computational fluid dynamics data generated for a range of parameterized geometries. The PC-DeepONet was able to learn the mapping from the parameters describing the geometry to the velocity and pressure fields. While the DeepONet is solely data-driven, the PC-DeepONet imposes the divergence constraint from the continuity equation onto the network. The PC-DeepONet demonstrates higher accuracy than the data-driven baseline, especially when trained on sparse data. Both models attain convergence with a small dataset of 50 samples and require only 50 iterations for convergence, highlighting the efficiency of neural operators in learning the dynamics governed by partial differential equations.
• Abstract（参考訳）: 本稿では,基本物理知識をデータ駆動型DeepONetモデルに組み込んだアーキテクチャであるPhysical-Constrained DeepONet(PC-DeepONet)について述べる。 この手法は、計算流体力学のベンチマーク問題である湾曲した後向きステップ上での流体力学の代理モデリングによって実証される。 このモデルは、パラメータ化された測地に対して生成された計算流体力学データに基づいて訓練された。 PC-DeepONetは、幾何学を記述したパラメータから速度と圧力場へのマッピングを学習することができた。 DeepONetはデータ駆動である一方、PC-DeepONetは連続性方程式からネットワークへの分散制約を課している。 PC-DeepONetは、特にスパースデータでトレーニングされた場合、データ駆動ベースラインよりも高い精度を示す。 どちらのモデルも50サンプルの小さなデータセットで収束し、収束に50イテレーションしか必要とせず、偏微分方程式によって支配される力学を学習する神経演算子の効率を強調している。

関連論文リスト

• Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
  本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。 レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-01-31T17:51:14Z)
• Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
  本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。 その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• 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)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard convection [0.0]
  モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。 我々のモデルは複雑なダイナミクスを学習することができると結論づける。
  論文  参考訳（メタデータ） (2021-01-27T11:27:16Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。