論文の概要: Data-driven modeling of fluid flow around rotating structures with graph neural networks
- arxiv url: http://arxiv.org/abs/2503.22252v1
- Date: Fri, 28 Mar 2025 09:06:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-31 15:31:10.249418
- Title: Data-driven modeling of fluid flow around rotating structures with graph neural networks
- Title（参考訳）: データ駆動型グラフニューラルネットワークによる回転構造まわりの流れのモデリング
- Authors: Rui Gao, Zhi Cheng, Rajeev K. Jaiman,
- Abstract要約: 本稿では, メッシュが構造と共回転する流体流れに対する, グラフニューラルネットワークに基づく代理モデルの適用について述べる。
構造化されたCartesianメッシュに依存する従来のデータ駆動アプローチとは異なり、当社のフレームワークは非構造化されたコローテーションメッシュで動作する。
以上の結果から,2000年以上の周期的状態において,モデルが安定かつ正確なロールアウトを達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 12.295701458215401
- License:
- Abstract: Graph neural networks, recently introduced into the field of fluid flow surrogate modeling, have been successfully applied to model the temporal evolution of various fluid flow systems. Existing applications, however, are mostly restricted to cases where the domain is time-invariant. The present work extends the application of graph neural network-based modeling to fluid flow around structures rotating with respect to a certain axis. Specifically, we propose to apply a graph neural network-based surrogate modeling for fluid flow with the mesh corotating with the structure. Unlike conventional data-driven approaches that rely on structured Cartesian meshes, our framework operates on unstructured co-rotating meshes, enforcing rotation equivariance of the learned model by leveraging co-rotating polar (2D) and cylindrical (3D) coordinate systems. To model the pressure for systems without Dirichlet pressure boundaries, we propose a novel local directed pressure difference formulation that is invariant to the reference pressure point and value. For flow systems with large mesh sizes, we introduce a scheme to train the network in single or distributed graphics processing units by accumulating the backpropagated gradients from partitions of the mesh. The effectiveness of our proposed framework is examined on two test cases: (i) fluid flow in a 2D rotating mixer, and (ii) the flow past a 3D rotating cube. Our results show that the model achieves stable and accurate rollouts for over 2000 time steps in periodic regimes while capturing accurate short-term dynamics in chaotic flow regimes. In addition, the drag and lift force predictions closely match the CFD calculations, highlighting the potential of the framework for modeling both periodic and chaotic fluid flow around rotating structures.
- Abstract（参考訳）: 最近流体流動代理モデリングの分野に導入されたグラフニューラルネットワークは、様々な流体流動系の時間的進化をモデル化するためにうまく応用されている。
しかし、既存のアプリケーションはドメインが時間不変の場合に限られる。
本研究は、ある軸に対して回転する構造体まわりの流体流れに対するグラフニューラルネットワークに基づくモデリングの適用を拡大する。
具体的には,メッシュが構造と共回転する流体流れのグラフニューラルネットワークに基づく代理モデルを提案する。
構造的カルトメッシュに依存する従来のデータ駆動アプローチとは異なり、我々のフレームワークは非構造的コローテーションメッシュで動作し、コローテーション極(2D)と円筒(3D)座標系を利用して学習モデルの回転同値を強制する。
ディリクレ圧力境界のない系の圧力をモデル化するために、基準圧力点と値に不変な新しい局所指向圧差定式を提案する。
メッシュサイズが大きいフローシステムでは、メッシュのパーティションからバックプロパゲート勾配を蓄積することにより、単一または分散グラフィック処理ユニットでネットワークをトレーニングする方式を導入する。
提案手法の有効性を2つのテストケースで検証した。
(i)2次元回転ミキサー内の流れ、及び
(ii) 3次元回転立方体を過ぎる流れ。
以上の結果から,2000年以上の周期的状態における安定かつ正確なロールアウトを実現するとともに,カオスフロー状態における短時間の正確なダイナミクスを捉えることができた。
さらに、ドラッグ・アンド・リフト力の予測はCFD計算と密接に一致し、周期流体とカオス流体の双方を回転する構造をモデル化するためのフレームワークの可能性を強調した。
関連論文リスト
- Not-So-Optimal Transport Flows for 3D Point Cloud Generation [58.164908756416615]
3次元点雲の生成モデルの学習は、3次元点雲の生成学習における根本的な問題の1つである。
本稿では,最近提案された同変OTフローを解析し,点ベース分子データに対する置換不変な生成モデルを学習する。
提案手法は, 広範囲な非条件生成および形状完備化において, 拡散および流動に基づく事前アプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-02-18T02:37:34Z) - Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。
本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
論文 参考訳（メタデータ） (2025-02-11T22:14:30Z) - A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳（メタデータ） (2024-12-12T16:05:39Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。
この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。
我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
論文 参考訳（メタデータ） (2022-10-29T23:05:39Z) - Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。
有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。
提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
論文 参考訳（メタデータ） (2022-10-09T07:42:23Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Predicting Physics in Mesh-reduced Space with Temporal Attention [15.054026802351146]
本稿では,トランス方式の時間的アテンションモデルを用いて,長期的依存関係をキャプチャする手法を提案する。
本手法は, 複雑な流体力学予測タスクにおいて, 競合するGNNベースラインよりも優れる。
我々のアプローチは、高次元複雑な物理課題の解決に注意に基づくシーケンスモデルの利点をもたらす道を開いたと信じている。
論文 参考訳（メタデータ） (2022-01-22T18:32:54Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Predicting the flow field in a U-bend with deep neural networks [0.0]
本稿では計算流体力学(CFD)と深部ニューラルネットワークに基づく,異なる歪んだU字管内の流れ場を予測することを目的とした研究について述べる。
この研究の主な動機は、流体力学的船体最適化プロセスにおけるディープラーニングパラダイムの正当化に関する洞察を得ることであった。
論文 参考訳（メタデータ） (2020-10-01T09:03:02Z) - 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。