深層学習ベース減次モデルによる非線形パラメータ化動的システムの長期予測【JST・京大機械翻訳】

Fatone Federico; Fresca Stefania; Manzoni Andrea

プレプリント

J-GLOBAL ID：202202206368006434 整理番号：22P0279375

深層学習ベース減次モデルによる非線形パラメータ化動的システムの長期予測【JST・京大機械翻訳】

Long-time prediction of nonlinear parametrized dynamical systems by deep learning-based reduced order models

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 (3件)： , ,
資料名：
発行年： 2022年01月25日プレプリントサーバーでの情報更新日： 2022年01月25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)

深層学習ベース縮小次数モデル(DL-ROMs)は,非線形時間依存パラメータ化PDEに適用するとき,通常,適切な直交分解(POD)を通して,従来ROMsによって共有される一般的限界を克服するために最近提案された。特に,POD-DL-ROMは,PODによる事前次元縮小とDLベース予測フレームワークにより,訓練段階で極端な効率を達成し,試験時の実時間性能よりも高速になる。それにもかかわらず,それらは時間外挿タスクに関して従来のROMs不良性能を共有する。本研究は,μt-POD-LSTM-ROMフレームワークを導入することによって,パラメータ化PDEの効率的な数値近似のためのDLアルゴリズムの使用に向けた更なるステップを取り入れることを目指した。この新規技法は,長い短期メモリ(LSTM)セルを利用する2倍アーキテクチャを追加することにより,POD-DL-ROMフレームワークを拡張し,最終的に,訓練ウィンドウに関して,複雑なシステムの進化の長期間予測を,入力パラメータ値に対して行うことを可能にした。数値結果により,このリカレントアーキテクチャは,訓練時間ドメインよりも15倍まで大きな時間窓の外挿を可能にし,既に落雷高速POD-DL-ROMに関してより良い試験時間性能を達成することを示した。【JST・京大機械翻訳】

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

数値計算 , 二次電池

, , , ,

前のページに戻る