Simulation of 3D turbulent flows using a discretized generative model physics-informed neural networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Physics-informed neural networks (PINNs) demonstrated efficacy in approximating partial differential equations (PDEs). However, challenges arise when dealing with high-dimensional PDEs, particularly when characterized by nonlinear and chaotic behavior, such as turbulent fluid flows. We introduce a novel methodology that integrates domain discretization , a generative model in the Sobolev function space ( H 1 ), and a gating mechanism to effectively simulate high dimensional problems. The effectiveness of the method, Discretized Generative Model Physics-Informed Neural Networks (DG-PINN), is validated by its application to the simulation of a time-dependent 3D turbulent channel flow governed by the incompressible Navier–Stokes equations, a less explored problem in the existing literature. Domain discretization prevents error propagation by using different neural network models in different subdomains . The absence of initial conditions (IC) in subsequent time steps presents a challenge in identifying optimal network parameters. To address this, discretized generative models are used, improving the model’s overall performance. The global solutions’ regularity is enhanced compared to previous decomposition techniques by using the H 1 norm of error, rather than L 2 . The effectiveness of the DG-PINN is validated through numerical test cases and compared against baseline PINNs and traditional domain decomposition PINNs. The DG-PINN demonstrates improvement in both approximation accuracy and computational efficiency, consistently maintaining accuracy even at later time instances. Moreover, the implementation of a distributed training strategy, facilitated by domain discretization, is discussed, resulting in improved convergence rates and more optimized memory usage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle