Multi-fidelity prediction of fluid flow and temperature field based on transfer learning using Fourier Neural Operator

要約

タイトル：フーリエニューラルオペレータを用いた転移学習に基づく流体流れと温度場の多重精度予測

要約：

– 海洋・航空宇宙エンジニアリングにおける流体流れと温度分布のデータ駆動予測研究は、最近、実時間予測での有効性が示されている。しかし、複雑な物理情報を記述し正確に予測するには、通常、大量の高精度データが必要であるが、実際には高い実験/計算コストのために限られた高精度データしか利用できない。
– そこで、本研究では、フーリエニューラルオペレータを用いた多重精度学習を提案する。この手法は、豊富な低精度データと限られた高精度データを転移学習パラダイムの下で結合し、共同して利用するものである。
– まず、解像度不変演算子であるフーリエニューラルオペレータが、多重精度データを直接統合するために用いられる。これにより、乏しい高精度データと豊富な低精度データを同時に活用することができる。
– 次に、転移学習フレームワークが開発され、豊富な低精度データ知識を抽出して高精度モデリングトレーニングを支援し、データ駆動予測精度をさらに向上させる。
– 最後に、3つの代表的な流体および温度予測問題が選択され、提案された多重精度モデルの精度を検証する。結果は、本提案手法が他の高精度モデルと比較して高い効果を持ち、選択されたすべての物理場問題に対して99％の高いモデリング精度を持つことを示している。重要なのは、提案された多重精度学習手法が、高精度で単純な構造を持ち、後続モデルの構築の参考になる可能性があることである。

要約(オリジナル)

Data-driven prediction of fluid flow and temperature distribution in marine and aerospace engineering has received extensive research and demonstrated its potential in real-time prediction recently. However, usually large amounts of high-fidelity data are required to describe and accurately predict the complex physical information, while in reality, only limited high-fidelity data is available due to the high experiment/computational cost. Therefore, this work proposes a novel multi-fidelity learning method based on the Fourier Neural Operator by jointing abundant low-fidelity data and limited high-fidelity data under transfer learning paradigm. First, as a resolution-invariant operator, the Fourier Neural Operator is first and gainfully applied to integrate multi-fidelity data directly, which can utilize the scarce high-fidelity data and abundant low-fidelity data simultaneously. Then, the transfer learning framework is developed for the current task by extracting the rich low-fidelity data knowledge to assist high-fidelity modeling training, to further improve data-driven prediction accuracy. Finally, three typical fluid and temperature prediction problems are chosen to validate the accuracy of the proposed multi-fidelity model. The results demonstrate that our proposed method has high effectiveness when compared with other high-fidelity models, and has the high modeling accuracy of 99% for all the selected physical field problems. Significantly, the proposed multi-fidelity learning method has the potential of a simple structure with high precision, which can provide a reference for the construction of the subsequent model.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI