深い畳込み生成敵対ネットワークを用いた非線形時空間流体流のデータ駆動モデリング【JST・京大機械翻訳】

Cheng M.; Fang F.; Pain C. C.; Navon I. M.

プレプリント

J-GLOBAL ID：202202205662018630 整理番号：22P0129961

深い畳込み生成敵対ネットワークを用いた非線形時空間流体流のデータ駆動モデリング【JST・京大機械翻訳】

Data-driven modelling of nonlinear spatio-temporal fluid flows using a deep convolutional generative adversarial network

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： 2020年03月12日プレプリントサーバーでの情報更新日： 2020年03月12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。

流体流モデリングを改良するための深層学習技術は,近年大きな注目を得ている。最新の深層学習技術は,基礎となる物理的関係の事前知識なしに,流体流を迅速に予測する大きな進歩を達成する。しかし,既存の研究の多くは,主に,流体流れの空間的および時間的動力学(Reichstein et al., 2019)の両者について,配列学習または空間学習のいずれかに焦点を絞った。本研究では,空間-時間流れ分布を予測するために,一般的深部畳込み生成敵対ネットワーク(DCGAN)に基づく人工知能(AI)流体モデルを開発した。深い畳み込みネットワークにおいて,高次元流れは低次元の「latent」表現に変換できる。流れ動力学の複雑な特徴を敵対ネットワークによって捉えることができる。上記のDCGAN流体モデルは,高い計算効率を維持しながら,流れ場の合理的な予測精度を提供できる。DCGANの性能を,沿岸線に沿った異なる流入波を有する北海道津波の2つの試験事例に対して例証した。DCGANの結果は,元の高忠実度モデル(Fluidity)からの結果と同等であることを示した。空間-時間流れ特性は,特に波動位相と流れピークを正確に捉えることができる流れとして表される。さらに,結果は,オンラインCPUコストが元の高忠実度モデルシミュレーションと比較して5桁減少したことを示した。有望な結果は,DCGANが非線形流体流に対して迅速で信頼できる時空間予測を提供できることを示した。【JST・京大機械翻訳】

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

人工知能

, , , , , ,

前のページに戻る