論文の概要: Accelerating Transient CFD through Machine Learning-Based Flow Initialization

• arxiv url: http://arxiv.org/abs/2503.15766v1
• Date: Thu, 20 Mar 2025 00:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 22:27:02.759382
• Title: Accelerating Transient CFD through Machine Learning-Based Flow Initialization
• Title（参考訳）: 機械学習に基づくフロー初期化による過渡CFDの高速化
• Authors: Peter Sharpe, Rishikesh Ranade, Sanjay Choudhry,
• Abstract要約: 本稿では,新しい機械学習手法を提案する。 その後の過渡期コストを削減できる検査方法。 解決するのです 16.7Mセル非定常RANSシミュレーションを用いた自動車空気力学のケーススタディを通じて、3つのMLに基づく評価を行った。 イントロスペクション戦略
• 参考スコア（独自算出の注目度）: 1.2113799398011764
• License:
• Abstract: Transient computational fluid dynamics (CFD) simulations are essential for many industrial applications, but a significant portion of their computational cost stems from the time needed to reach statistical steadiness from initial conditions. We present a novel machine learning-based initialization method that reduces the cost of this subsequent transient solve substantially, achieving a 50% reduction in time-to-convergence compared to traditional uniform and potential flow-based initializations. Through a case study in automotive aerodynamics using a 16.7M-cell unsteady RANS simulation, we evaluate three ML-based initialization strategies. Two of these strategies are recommended for general use: (1) a physics-informed hybrid method combining ML predictions with potential flow solutions, and (2) a more versatile approach integrating ML predictions with uniform flow. Both strategies enable CFD solvers to achieve convergence times comparable to computationally expensive steady RANS initializations, while requiring only seconds of computation. We develop a robust statistical convergence metric based on windowed time-averaging for performance comparison between initialization strategies. Notably, these improvements are achieved using an ML model trained on a different dataset of automotive geometries, demonstrating strong generalization capabilities. The proposed methods integrate seamlessly with existing CFD workflows without requiring modifications to the underlying flow solver, providing a practical approach to accelerating industrial CFD simulations through improved ML-based initialization strategies.
• Abstract（参考訳）: 過渡計算流体力学(CFD)シミュレーションは多くの産業用途に不可欠であるが、計算コストのかなりの部分は初期状態から統計的安定性に到達するのに必要な時間に由来する。 本稿では,従来の一様および潜在的フローベースの初期化と比較して,時間対収束の50%削減を実現し,これに続く過渡解のコストを大幅に削減する,機械学習に基づく新しい初期化手法を提案する。 16.7Mセル非定常RANSシミュレーションを用いた自動車空気力学のケーススタディを通じて、3つのMLベース初期化戦略を評価する。 1)ML予測と潜在的フロー解を組み合わせた物理インフォームドハイブリッド法と,(2)ML予測と一様フローを統合するより汎用的なアプローチである。 どちらの戦略も、CFDソルバは計算に高価で安定したRANS初期化に匹敵する収束時間を達成でき、計算に数秒しか必要としない。 我々は,初期化戦略間の性能比較のために,ウィンドウ化時分割に基づく頑健な統計的収束尺度を開発した。 特に、これらの改善は、異なる自動車ジオメトリのデータセットでトレーニングされたMLモデルを使用して達成され、強力な一般化能力を示す。 提案手法は,既存のCFDワークフローとシームレスに連携し,フローソルバの変更を必要とせず,MLに基づく初期化戦略の改善を通じて産業CFDシミュレーションを高速化するための実践的なアプローチを提供する。

関連論文リスト

• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
  本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。 目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。 圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
  論文  参考訳（メタデータ） (2024-09-11T10:38:30Z)
• A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations [2.7755345520127936]
  非定常・非線形偏微分方程式(PDE)を正確にモデル化するためのドメイン分割型ディープラーニング(DL)フレームワークCoMLSimを提案する。 このフレームワークは、(a)畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダアーキテクチャと(b)完全に接続された層で構成される自己回帰モデルという、2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-08-26T17:50:47Z)
• Higher order quantum reservoir computing for non-intrusive reduced-order models [0.0]
  量子貯水池計算技術(QRC)は、相互接続された小さな量子系のアンサンブルを利用するハイブリッド量子古典的フレームワークである。 QRCは, 複雑な非線形力学系を安定かつ高精度に予測できることを示す。
  論文  参考訳（メタデータ） (2024-07-31T13:37:04Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Adaptive physics-informed neural operator for coarse-grained non-equilibrium flows [0.0]
  このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。 提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。 0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
  論文  参考訳（メタデータ） (2022-10-27T23:26:57Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)

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。