共形写像を用いたスパースセンサからの任意二次元物体周りの深層学習流体流再構成【JST・京大機械翻訳】

OEzbay Ali Girayhan; Laizet Sylvain

プレプリント

J-GLOBAL ID：202202200126492891 整理番号：22P0286410

共形写像を用いたスパースセンサからの任意二次元物体周りの深層学習流体流再構成【JST・京大機械翻訳】

Deep learning fluid flow reconstruction around arbitrary two-dimensional objects from sparse sensors using conformal mappings

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年02月08日プレプリントサーバーでの情報更新日： 2022年04月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

限られた数のセンサからのフロー再構成(FR)タスクのためのニューラルネットワーク(NN)の利用は,高次元関係を複製するNNの能力により,強い研究興味を引きつけている。与えられたReynolds数またはReynolds数の減少範囲に対する単一流れの場合,これらのモデルは再訓練なしに異なる物体周りの流れを扱うことができない。再訓練なしに異なる2次元物体周りの流体流を再構成できる空間マルチ幾何学FR(SMGFR)タスクと呼ぶ新しいフレームワークを提案し,計算領域を環状としてマッピングした。Bezier曲線を用いてランダムに生成された64物体に対して,Reynolds数が約300に等しい高忠実度シミュレーションデータを用いて,異なるセンサセットアップ(流れに関する情報が収集される)のための異なるNNを訓練した。次に,モデルおよびセンサセットアップの性能を,約16の未観測物体周りの流れに対して評価した。このマッピング手法は,モデルがデカルト格子上で訓練され,圧力,速度,および渦度場予測に対して,それぞれ3%,10%および30%の誤差を達成する,より従来のアプローチと比較して,SMGFRの15%までパーセント誤差を改善することを示した。最後に,SMGFRを将来のスナップショットの予測に拡張し,時空間MGFR(STMGFR)タスクを導入した。空間および時間成分にDNNを分割することを含むSTMGFRのための新しい方法を開発した。このアプローチが,時間と空間において,任意の物体周りの流れの主な特徴を再現することができることを実証した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

物体の周りの流れ

, , , , ,

前のページに戻る