論文の概要: Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field

• arxiv url: http://arxiv.org/abs/2505.15533v1
• Date: Wed, 21 May 2025 13:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.678417
• Title: Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field
• Title（参考訳）: 流れ場の数値シミュレーションに基づく畳み込み長短期記憶ニューラルネットワーク
• Authors: Chang Liu,
• Abstract要約: ベースラインネットワークとして改良された畳み込み長短期記憶(Con-vLSTM)ニューラルネットワークを提案する。 円柱まわりの流れの数値シミュレーションを行った。 その結果、改良されたConvLSTMモデルにより、より時間的および空間的特徴を抽出できることが示されている。
• 参考スコア（独自算出の注目度）: 3.9561033879611944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational Fluid Dynamics (CFD) is the main approach to analyzing flow field. However, the convergence and accuracy depend largely on mathematical models of flow, numerical methods, and time consumption. Deep learning-based analysis of flow filed provides an alternative. For the task of flow field prediction, an improved Convolutional Long Short-Term Memory (Con-vLSTM) Neural Network is proposed as the baseline network in consideration of the temporal and spatial characteristics of flow field. Combining dynamic mesh technology and User-Defined Function (UDF), numerical simulations of flow around a circular cylinder were conducted. Flow field snapshots were used to sample data from the cylinder's wake region at different time instants, constructing a flow field dataset with sufficient volume and rich flow state var-iations. Residual networks and attention mechanisms are combined with the standard ConvLSTM model. Compared with the standard ConvLSTM model, the results demonstrate that the improved ConvLSTM model can extract more temporal and spatial features while having fewer parameters and shorter train-ing time.
• Abstract（参考訳）: 計算流体力学(CFD)は流れ場を解析するための主要な手法である。 しかし、収束と精度は流れの数学的モデル、数値的手法、時間的消費に大きく依存する。 ディープラーニングに基づくフローの分析は、代替手段を提供する。 流れ場予測の課題として,流れ場の時間的・空間的特性を考慮した改良型畳み込み長短期記憶(Con-vLSTM)ニューラルネットワークを提案する。 動的メッシュ技術とUDFを組み合わせた円柱まわりの流れの数値シミュレーションを行った。 フローフィールドスナップショットは、シリンダーのウェイク領域から異なるタイミングでデータをサンプリングするために使用され、十分な体積と豊富なフロー状態 var-iation を持つフローフィールドデータセットを構築した。 残差ネットワークとアテンション機構は標準のConvLSTMモデルと組み合わせられる。 標準のConvLSTMモデルと比較して,改良されたConvLSTMモデルでは,パラメータが少なく,列車の所要時間が短いとともに,時間的・空間的な特徴を抽出できることが示されている。

関連論文リスト

• 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)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Normalizing flow neural networks by JKO scheme [22.320632565424745]
  我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。 提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。 合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-12-29T18:55:00Z)
• 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)
• Predicting the temporal dynamics of turbulent channels through deep learning [0.0]
  最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。 長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
  論文  参考訳（メタデータ） (2022-03-02T09:31:03Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Recurrent convolutional neural network for the surrogate modeling of subsurface flow simulation [0.0]
  本稿では,数値フローシミュレーションの代理モデルとして,SegNetとConvLSTM層を組み合わせることを提案する。 その結果,シミュレーションの出力が時系列データである場合,SegNetに基づくサロゲートモデルの性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2020-10-08T09:34:48Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。