深層学習速度信号は乱流強度を定量化する【JST・京大機械翻訳】

Corbetta Alessandro; Menkovski Vlado; Benzi Roberto; Toschi Federico

プレプリント

J-GLOBAL ID：202202200910000407 整理番号：21P0019592

深層学習速度信号は乱流強度を定量化する【JST・京大機械翻訳】

Deep learning velocity signals allows to quantify turbulence intensity

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 (4件)： , , ,
資料名：
発行年： 2019年11月13日プレプリントサーバーでの情報更新日： 2019年11月14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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

流体運動の遍在およびカオス状態である乱流は,広範囲の長さおよび時間スケールにわたって,速度場の強くて統計的に自明でない変動によって特性化され,統計的平均に関してのみ定量的に記述することができる。強い非定常性は,統計的収束を達成する可能性を妨げ,乱流強度,特にその基本的無次元推定器,Reynolds数を定義することは不可能であった。ここでは,深層ニューラルネットワーク(DNN)を用いて,2つの大規模渦巻取時間のような統計的サンプルから,15%精度以内のReynolds数を正確に推定できることを示した。対照的に,物理ベースの統計的推定子は,中心極限定理の収束率によって制限され,同じ統計的サンプルに対して,少なくとも100倍大きい誤差を与える。著者らの知見は,定量的に定義し,従って,工業プロセスと同様に自然に見られるような高度に非定常な乱流を,定量的に定義する可能性における新しい展望を開く。【JST・京大機械翻訳】

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

層流,乱流,境界層

, , ,

前のページに戻る