文献

J-GLOBAL ID：202002270069994841   整理番号：20A0139829

流体力学のための機械学習【JST・京大機械翻訳】

Machine Learning for Fluid Mechanics

著者 (4件)： Brunton Steven L. (Department of Mechanical Engineering, University of Washington, Seattle, Washington 98195, USA) ,  Noack Bernd R. (LIMSI (Laboratoire d’Informatique pour la Mecanique et les Sciences de l’Ingenieur), CNRS UPR 3251, Universite Paris-Saclay, F-91403 Orsay, France) ,  Noack Bernd R. (Institut fuer Stromungsmechanik und Technische Akustik, Technische Universitaet Berlin, D-10634 Berlin, Germany) ,  Koumoutsakos Petros (Computational Science and Engineering Laboratory, ETH Zurich, CH-8092 Zurich, Switzerland; email: [e-mail])
資料名： Annual Review of Fluid Mechanics  (Annual Review of Fluid Mechanics)
巻： 52  ページ： 477-508  発行年： 2020年 
JST資料番号： A0044A  ISSN： 0066-4189  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 流体力学の分野は急速に前進しており,実験,現場測定,および複数の時空間スケールでの大規模シミュレーションからのデータの前例のない体積によって駆動されている。機械学習(ML)は,基礎となる流体力学に関する知識に変換できるデータから情報を抽出するための技術の豊富さを提供する。さらに,MLアルゴリズムは,流れ制御と最適化に関連するドメイン知識と自動化タスクを強化することができる。本論文は,流体力学のためのMLの過去の歴史,現在の開発,および新興の機会の概観を提示する。基本的なML方法論を概説し,流体流を理解,モデリング,最適化,制御するためのそれらの使用を論じた。これらの方法の長所と限界を,モデリング,実験,シミュレーションの固有の部分としてデータを考慮した科学的質問の観点から検討した。MLは,流体力学研究と産業応用の現在のラインを増加させることができる強力な情報処理フレームワークを提供する。Copyright 2020 Annual Reviews All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  モデリング ,  *機械学習 ,  ドメイン知識 ,  アルゴリズム ,  情報処理 ,  流体流 ,  自動化 ,  *流体力学 ,  改変
準シソーラス用語： 産業応用 ,  大規模シミュレーション , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  データ駆動モデリング ,  最適化 ,  制御

分類 (4件)： 循環系一般  (EJ04010S) ,  血管系  (EJ04030O) ,  流体動力学一般  (BC02010G) ,  循環系モデル  (EL02020V)

タイトルに関連する用語 (2件)： 流体力学 ,  機械学習