Die Studie untersucht die Verwendung von Denoising-Diffusions-Wahrscheinlichkeitsmodellen (DDPMs) als unsicherheitsbewusste Ersatzmodelle für die Simulation von Tragflügelströmungen.
Die Unsicherheit in den RANS-Simulationen wird durch das Ziehen mehrerer Momentaufnahmen der Strömungsfelder bei unterschiedlichen Iterationsschritten der Simulation dargestellt. Dies ermöglicht es, die vollständige Verteilung der Lösungen zu lernen, anstatt nur Erwartungswert und Standardabweichung zu schätzen.
Die Leistung der DDPMs wird mit Bayesschen neuronalen Netzen (BNNs) und heteroskedastischen Modellen verglichen. Die Experimente zeigen, dass DDPMs die anderen Methoden in Bezug auf verschiedene Genauigkeitsmetriken übertreffen. DDPMs bieten den Vorteil, Zugriff auf die vollständigen Verteilungen der Unsicherheiten zu erhalten, anstatt nur eine Reihe von Parametern bereitzustellen. Dadurch können realistische und detaillierte Stichproben aus der Verteilung der Lösungen erzeugt werden.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Qiang Liu,Ni... um arxiv.org 03-19-2024
https://arxiv.org/pdf/2312.05320.pdfTiefere Fragen