Towards Long-Term predictions of Turbulence using Neural Operators

要約

この論文では、フーリエ ニューラル オペレーター (FNO) モデルに焦点を当て、乱流を予測するためのニューラル オペレーターについて考察します。
機械学習を使用した乱流シミュレーションのための低次数/代理モデルを開発することを目的としています。
さまざまなモデル構成が分析され、U-NET 構造 (UNO および U-FNET) は精度と安定性において標準 FNO よりも優れたパフォーマンスを発揮します。
U-FNET は、より高いレイノルズ数での乱流の予測に優れています。
勾配損失や安定性損失などの正則化項は、安定した正確な予測に不可欠です。
この研究は、流体の流れ予測における深層学習モデルのメトリクスを改善する必要性を強調しています。
さらなる研究は、複雑なフローを処理するモデルと実用的なベンチマーク指標に焦点を当てる必要があります。

要約(オリジナル)

This paper explores Neural Operators to predict turbulent flows, focusing on the Fourier Neural Operator (FNO) model. It aims to develop reduced-order/surrogate models for turbulent flow simulations using Machine Learning. Different model configurations are analyzed, with U-NET structures (UNO and U-FNET) performing better than the standard FNO in accuracy and stability. U-FNET excels in predicting turbulence at higher Reynolds numbers. Regularization terms, like gradient and stability losses, are essential for stable and accurate predictions. The study emphasizes the need for improved metrics for deep learning models in fluid flow prediction. Further research should focus on models handling complex flows and practical benchmarking metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google