論文の概要: A Comparison of Parametric Dynamic Mode Decomposition Algorithms for Thermal-Hydraulics Applications
- arxiv url: http://arxiv.org/abs/2503.24205v1
- Date: Mon, 31 Mar 2025 15:23:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:33:03.045688
- Title: A Comparison of Parametric Dynamic Mode Decomposition Algorithms for Thermal-Hydraulics Applications
- Title（参考訳）: 熱水理応用のためのパラメトリック動的モード分解アルゴリズムの比較
- Authors: Stefano Riva, Andrea Missaglia, Carolina Introini, In Cheol Bang, Antonio Cammi,
- Abstract要約: この研究は、現場にデプロイされた異なるアルゴリズムを比較して、利用可能なデータから学習モデルの研究に寄与する。
この目的のために, FEniCS有限要素ソルバを用いてそれぞれデータセットを取得し, CFDbenchデータセットから抽出した3つの異なる熱水和問題について検討した。
- 参考スコア（独自算出の注目度）: 0.5033155053523042
- License:
- Abstract: In recent years, algorithms aiming at learning models from available data have become quite popular due to two factors: 1) the significant developments in Artificial Intelligence techniques and 2) the availability of large amounts of data. Nevertheless, this topic has already been addressed by methodologies belonging to the Reduced Order Modelling framework, of which perhaps the most famous equation-free technique is Dynamic Mode Decomposition. This algorithm aims to learn the best linear model that represents the physical phenomena described by a time series dataset: its output is a best state operator of the underlying dynamical system that can be used, in principle, to advance the original dataset in time even beyond its span. However, in its standard formulation, this technique cannot deal with parametric time series, meaning that a different linear model has to be derived for each parameter realization. Research on this is ongoing, and some versions of a parametric Dynamic Mode Decomposition already exist. This work contributes to this research field by comparing the different algorithms presently deployed and assessing their advantages and shortcomings compared to each other. To this aim, three different thermal-hydraulics problems are considered: two benchmark 'flow over cylinder' test cases at diverse Reynolds numbers, whose datasets are, respectively, obtained with the FEniCS finite element solver and retrieved from the CFDbench dataset, and the DYNASTY experimental facility operating at Politecnico di Milano, which studies the natural circulation established by internally heated fluids for Generation IV nuclear applications, whose dataset was generated using the RELAP5 nodal solver.
- Abstract（参考訳）: 近年では2つの要因から,利用可能なデータからモデルを学習するアルゴリズムが広く普及している。
1)人工知能技術の進歩
2)大量のデータが利用可能になる。
それにもかかわらず、この話題は、おそらく最も有名な方程式のない技法が動的モード分解であるReduced Order Modellingフレームワークに属する方法論によって既に解決されている。
このアルゴリズムは、時系列データセットによって記述される物理現象を表す最良の線形モデルを学ぶことを目的としており、その出力は基礎となる力学系の最良の状態演算子である。
しかし、その標準的な定式化では、この手法はパラメトリック時系列を扱うことができない。
この研究は進行中であり、パラメトリックな動的モード分解のいくつかのバージョンはすでに存在する。
この研究は、現在デプロイされている異なるアルゴリズムを比較し、それらの利点と欠点を互いに比較することで、この研究分野に寄与する。
この目的のために, 種々のレイノルズ数での2つのベンチマーク「フローオーバーシリンダー」テストケース, データセットをFEniCS有限要素ソルバを用いてそれぞれ取得し, CFDbenchデータセットから取得したCFDbenchデータセットと, 内部加熱流体による自然循環の研究を行うPolitecnico di MilanoにおけるDYNASTY実験施設, およびRELAP5ノダルソルバを用いてデータセットを作成した。
関連論文リスト
- 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) - MaD-Scientist: AI-based Scientist solving Convection-Diffusion-Reaction Equations Using Massive PINN-Based Prior Data [22.262191225577244]
科学的基礎モデル(SFM)にも同様のアプローチが適用できるかどうかを考察する。
数学辞書の任意の線形結合によって構築された偏微分方程式(PDE)の解の形で、低コストな物理情報ニューラルネットワーク(PINN)に基づく近似された事前データを収集する。
本研究では,1次元対流拡散反応方程式に関する実験的な証拠を提供する。
論文 参考訳（メタデータ） (2024-10-09T00:52:00Z) - Scaling up Probabilistic PDE Simulators with Structured Volumetric Information [23.654711580674885]
本稿では,一般的な有限体積法と相補的数値線形代数法を組み合わせた離散化手法を提案する。
時相津波シミュレーションを含む実験では、従来のコロケーションに基づく手法よりも、このアプローチのスケーリング挙動が大幅に改善された。
論文 参考訳（メタデータ） (2024-06-07T15:38:27Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Enhancing Low-Order Discontinuous Galerkin Methods with Neural Ordinary Differential Equations for Compressible Navier--Stokes Equations [0.1578515540930834]
圧縮可能なNavier-Stokes方程式を解くためのエンドツーエンドの微分可能なフレームワークを提案する。
この統合アプローチは、微分可能不連続なガレルキン解法とニューラルネットワークのソース項を組み合わせる。
提案するフレームワークの性能を2つの例で示す。
論文 参考訳（メタデータ） (2023-10-29T04:26:23Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳（メタデータ） (2022-12-24T12:59:41Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - SODEN: A Scalable Continuous-Time Survival Model through Ordinary
Differential Equation Networks [14.564168076456822]
本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。
提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
論文 参考訳（メタデータ） (2020-08-19T19:11:25Z)
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。