Solving Turbulent Rayleigh-Bénard Convection using Fourier Neural Operators

要約

Rayleigh-B \ ‘Enard対流（RBC）のフーリエ神経演算子（FNO）サロゲートモデルをトレーニングします。
FNO Surrogatesの予測精度とモデル特性を、流体ダイナミクスで使用される2つの一般的なサロゲートと比較します：ダイナミックモード分解と線形再生自動エンコーダーネットワーク。
RBC方程式の直接数値シミュレーション（DNS）を、モデルが異なる設定で訓練および評価されるグラウンドトゥルースと見なします。
FNOは、DMDおよびLRANと比較すると好意的に機能し、その予測はこのタスクで高速で非常に正確です。
さらに、対流力学のゼロショットスーパー解像度能力を示します。
FNOモデルは、RBCのフロー制御などのダウンストリームタスクで使用される可能性が高いです。

要約(オリジナル)

We train Fourier Neural Operator (FNO) surrogate models for Rayleigh-B\’enard Convection (RBC), a model for convection processes that occur in nature and industrial settings. We compare the prediction accuracy and model properties of FNO surrogates to two popular surrogates used in fluid dynamics: the Dynamic Mode Decomposition and the Linearly-Recurrent Autoencoder Network. We regard Direct Numerical Simulations (DNS) of the RBC equations as the ground truth on which the models are trained and evaluated in different settings. The FNO performs favorably when compared to the DMD and LRAN and its predictions are fast and highly accurate for this task. Additionally, we show its zero-shot super-resolution ability for the convection dynamics. The FNO model has a high potential to be used in downstream tasks such as flow control in RBC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google