論文の概要: Information-theoretic machine learning for time-varying mode decomposition of separated airfoil wakes

• arxiv url: http://arxiv.org/abs/2505.24132v1
• Date: Fri, 30 May 2025 01:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.725579
• Title: Information-theoretic machine learning for time-varying mode decomposition of separated airfoil wakes
• Title（参考訳）: 分離エアフォイルウェイクの時間変化モード分解のための情報理論機械学習
• Authors: Kai Fukami, Ryo Araki,
• Abstract要約: NACA0012翼まわりの分離流れの3つの例,すなわち,攻撃後の安定角度におけるラミナ周期波動,強い渦-翼相互作用,および時空間周期領域における乱流波動について考察する。 本手法は,時変リフト応答に付随する情報的渦構造を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We perform an information-theoretic mode decomposition for separated wakes around a wing. The current data-driven approach based on a neural network referred to as deep sigmoidal flow enables the extraction of an informative component from a given flow field snapshot with respect to a target variable at a future time stamp, thereby capturing the causality as a time-varying modal structure. We consider three examples of separated flows around a NACA0012 airfoil, namely, 1. laminar periodic wake at post-stall angles of attack, 2. strong vortex-airfoil interactions, and 3. a turbulent wake in a spanwise-periodic domain. The present approach reveals informative vortical structures associated with a time-varying lift response. For the periodic shedding cases, the informative structures vary in time corresponding to the fluctuation level from their mean values. With the second example of vortex-airfoil interactions, how the effect of vortex gust on a wing emerges in the lift response over time is identified in an interpretable manner. Furthermore, for the case of turbulent wake, the present model highlights structures near the wing and vortex cores as informative components based solely on the information metric without any prior knowledge of aerodynamics and length scales. This study provides causality-based insights into a range of unsteady aerodynamic problems.
• Abstract（参考訳）: 主翼周辺で分離されたウェイクに対する情報理論モード分解を行う。 ディープシグモダルフローと呼ばれるニューラルネットワークに基づく現在のデータ駆動アプローチにより、将来のタイムスタンプにおいて、対象変数に対して所定のフローフィールドスナップショットから情報成分を抽出し、時間変化モーダル構造として因果性を取得することができる。 NACA0012翼まわりの分離流れの3つの例を考察する。 一 攻撃後角度における涙の周期的覚醒 2.強い渦-翼相互作用、及び 3. 周期的な領域における乱れの起こし。 本手法は,時変リフト応答に付随する情報的渦構造を明らかにする。 周期的なシーディングの場合、情報構造は、その平均値から変動レベルに応じた時間で変化する。 渦-翼相互作用の第2の例では、時とともにリフト応答において、翼に対する渦ガスの効果がどのように出現するかを解釈可能な方法で同定する。 さらに, 乱流発生の場合, 本モデルでは, 空力学や長さスケールの事前知識を伴わずに, 情報量測定のみに基づく情報成分として, 主翼と渦コアの近傍の構造を強調した。 この研究は、様々な非定常空気力学問題に対する因果関係に基づく洞察を提供する。

関連論文リスト

• Upstream flow geometries can be uniquely learnt from single-point turbulence signatures [0.21847754147782888]
  時系列データから導出した不変量のベクトルに基づいてランダムな森林多クラス分類器モデルを訓練する。 興味深いことに、アルゴリズムはオリフィス形状を100%精度と100%精度で識別することができた。
  論文  参考訳（メタデータ） (2024-12-14T00:55:34Z)
• F3-Pruning: A Training-Free and Generalized Pruning Strategy towards Faster and Finer Text-to-Video Synthesis [94.10861578387443]
  変圧器と拡散モデルを用いた2つの主流T2Vモデルの推論過程について検討する。 本稿では、時間的余分な注意重みを突破するF3プルーニングと呼ばれるトレーニングフリーで一般化されたプルーニング戦略を提案する。 古典的なトランスフォーマーベースモデルCogVideoと典型的な拡散ベースモデルTune-A-Videoを用いた3つのデータセットの大規模な実験により、F3-Pruningの有効性が検証された。
  論文  参考訳（メタデータ） (2023-12-06T12:34:47Z)
• Turbulence Scaling from Deep Learning Diffusion Generative Models [0.8192907805418583]
  拡散モデルを用いて乱流渦分布の分布を学習する。 圧縮不能なNavier-Stokes方程式に対する乱流解のスナップショットを生成する。 学習したスケーリング指数はすべて、期待されるKolmogorovスケーリングと一致している。
  論文  参考訳（メタデータ） (2023-11-10T15:27:07Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Identifying regions of importance in wall-bounded turbulence through explainable deep learning [1.6365624921211983]
  本研究では, 乱流中のエネルギーを含むコヒーレント構造間の相互作用を, 説明可能な深層学習法を用いて初めて検討した。 予測フローに基づいて,SHapley Additive exPlanationsのゲーム理論アルゴリズムを用いて,この予測における各構造の重要性を評価する。 この枠組みは、流路制御の新しい戦略を含む多数の壁境界乱流の基本的な現象に光を当てる可能性がある。
  論文  参考訳（メタデータ） (2023-02-02T17:34:33Z)
• FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial Video Classification [49.06447472006251]
  本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。 本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
  論文  参考訳（メタデータ） (2022-09-22T21:15:58Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Entanglement and correlations in fast collective neutrino flavor oscillations [68.8204255655161]
  集合ニュートリノ振動は、天体物理学的な設定においてレプトンのフレーバーを輸送する上で重要な役割を担っている。 高速振動を呈する単純多角ジオメトリーにおける平衡外フレーバーのフルダイナミクスについて検討した。 我々はこれらの高速集団モードが同じ動的相転移によって生成されることを示す。
  論文  参考訳（メタデータ） (2022-03-05T17:00:06Z)
• Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
  本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。 エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。 入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-16T15:07:25Z)

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。