物理的に形成した生成敵対ネットワークを用いた乱流濃縮【JST・京大機械翻訳】

Subramaniam Akshay; Wong Man Long; Borker Raunak D; Nimmagadda Sravya; Lele Sanjiva K

プレプリント

J-GLOBAL ID：202202202550855328 整理番号：22P0119121

物理的に形成した生成敵対ネットワークを用いた乱流濃縮【JST・京大機械翻訳】

Turbulence Enrichment using Physics-informed Generative Adversarial Networks

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 (5件)： , , , ,
資料名：
発行年： 2020年03月04日プレプリントサーバーでの情報更新日： 2020年03月06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)

生成的敵対ネットワーク(GAN)は,光現実的画像を生成するのに広く使用されている。超解像度GAN(SRGAN)と呼ばれるGANの変種は,低解像度画像が知覚的により現実的である4×大きな画像にアップサンプリングできる画像超解像度のために既に成功裏に使用されてきた。しかし,そのような生成モデルが物理プロセスを記述するデータに使用される場合,支配方程式と境界条件を含むモデルを満たす必要がある付加的な既知の制約がある。一般に,これらの制約は生成されたデータによっては従わない。本研究では,乱流の生成濃縮のための物理ベース法を開発した。生成データに対する支配方程式の残差を最小化するために,損失関数への修正によって物理情報学習アプローチを組み込んだ。2つの訓練された物理インフォームモデル:畳み込みニューラルネットワーク(CNN)に基づく教師つきモデルとSRGANに基づく生成モデル,すなわち乱流濃縮GAN(TEGAN)に基づく生成モデルを分析し,両者が乱流濃縮における単純な双三次補間より優れていることを示した。また,物理情報学習を用いて,物理支配方程式を満たすデータ生成におけるモデルの能力を著しく改良できることを示した。最後に,TEGANからの濃縮データを比較し,エネルギー計量とスケール間エネルギー動力学と流れ形態を含む流れ場の統計的計量を回復できることを示した。【JST・京大機械翻訳】

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

図形・画像処理一般

, , ,

前のページに戻る