粒子を含む流れにおける力とトルクのニューラルネットワークモデリングのための物理にヒントを得たアーキテクチャ【JST・京大機械翻訳】

Seyed-Ahmadi Arman; Seyed-Ahmadi Arman; Wachs Anthony; Wachs Anthony

文献

J-GLOBAL ID：202202290087317282 整理番号：22A1090300

粒子を含む流れにおける力とトルクのニューラルネットワークモデリングのための物理にヒントを得たアーキテクチャ【JST・京大機械翻訳】

Physics-inspired architecture for neural network modeling of forces and torques in particle-laden flows

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A1090300&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A1090300&from=J-GLOBAL&jstjournalNo=E0859A") }}

著者 (4件)： , , ,
資料名：
巻： 238 ページ： Null 発行年： 2022年
JST資料番号： E0859A ISSN： 0045-7930 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：イギリス (GBR) 言語：英語 (EN)

ランダム分布球の定常アレイにおける個々の粒子によって経験される流体力学的力およびトルクの直接予測のための物理学にヒントを得たニューラルネットワーク(PINN)モデルを示した。著者らの知見と一致して,従来の完全接続ニューラルネットワーク(FCNN)は,球の定常ランダムアレイにおける力変動の正確な予測をできないことが最近実証された。この問題は,多数の入力変数(即ち,個々の隣接粒子の位置)により生じ,完全接続アーキテクチャにおいて圧倒的に多数の訓練パラメータをもたらす。粒子分解シミュレーションで生成できる訓練データセットの典型的に限定されたサイズを考えると,NNはデータ中に真のパターンを失う傾向があり,最終的に過剰適合をもたらす。以前の研究でのミクロ組織形成確率駆動点粒子(MPP)モデル開発における著者らの観察に触発されて,現在のPINNモデルのアーキテクチャに2つの主な特徴を組み込んだ。(1)粒子間のペアワイズ流体力学的相互作用の重ね合わせ,(2)隣接影響をモデル化するNNブロック間の訓練パラメータ共有。これらの戦略は,自由パラメータの数を大幅に低減することを助け,それによって,精度を損なうことなく,モデルの複雑さを制御する。NNを用いた直接力とトルク予測は,モデル構造が問題の根底にある物理に対応するならば,実際に可能であることを示した。Reynolds数範囲2≦Re≦150および固体体積率0.1≦φ0.4に対して,PINNの予測は,他の現在利用可能な微細構造形成モデルのそれと正確であることを証明した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

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

著者キーワード (6件)： , , , , ,

流体動力学一般

, , , , , ,

前のページに戻る