文献

J-GLOBAL ID：202102241818172821   整理番号：21A0326371

深層学習による混相流の時間発展シミュレーション結果の予測手法の検討

Examination of prediction method of time evolution simulation result of multiphase flow by deep learning

著者 (2件)： 長谷川敦 (東大 大学院工学系研究科) ,  下川辺隆史 (東大 情報基盤セ)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2020  号： HPC-177  ページ： Vol.2020-HPC-177,No.4,1-7 (WEB ONLY)  発行年： 2020年12月14日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 流体における時間発展シミュレーションは工業分野において多く取り入れられている.しかし,従来の流体シミュレーションでは多大な計算時間やリソースを要するといった課題を抱えている.そこで,本研究では混相流流体シミュレーションの時間発展解析について深層学習を用いた予測を可能とすることを目的としてネットワークの開発を行う.ネットワークの学習に用いるデータセットは,OpenFOAMを利用して,混相流問題である二次元ダムブレイクシミュレーションにより生成する.ダムブレイクとは水槽中で堰き止められた水が流れる様子ついて扱う流体問題である.本研究では,入力の数フレームから連続した次の数フレームを予測して出力するようなネットワークモデルの開発を行い,生成したデータセットを用いて学習・予測を行いその結果を評価しモデルの精度について検討する.(著者抄録)

シソーラス用語： 時間発展 ,  混相流 ,  *機械学習 ,  *計算機シミュレーション ,  *予測技法 ,  *シミュレーション ,  *ネットワーク ,  流体力学 ,  モデル ,  評価
準シソーラス用語： ダムブレイク ,  *深層学習 ,  *流体シミュレーション ,  ネットワークモデル ,  精度評価

分類 (4件)： 人工知能  (JE08000Z) ,  計算機シミュレーション  (JE11000H) ,  流体の実験・試験・測定方法及び装置  (BC01020K) ,  ネットワーク法  (KA03040X)

引用文献 (11件)：

• Kim, Byungsoo, et al.: Deep fluids: A generative network for parameterized fluid simulations, Computer Graphics Forum. pp. 59-70. (2019).
• Jasak, Hrvoje, Aleksandar Jemcov, and Zeljko Tukovic.:OpenFOAM: A C++ library for complex physics simulations., International workshop on coupled methods in numerical dynamics. Vol. 1000. IUC Dubrovnik Croatia (2007).
• Yakovenko, Nikolai, et al.:Poker-CNN: a pattern learning strategy for making draws and bets in poker games., arXiv preprint arXiv:1509.06731 (2015).
• Ferziger, Joel H., Milovan Perić, and Robert L. Street.:Computational methods for fluid dynamics, Vol. 3. Berlin: springer (2002).
• Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton.:Imagenet classification with deep convolutional neural networks., Communications of the ACM 60.6 (2017).

タイトルに関連する用語 (5件)： 深層学習 ,  混相流 ,  発展 ,  シミュレーション ,  予測手法