Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
朝比 祐一; 畑山 そら*; 下川辺 隆史*; 小野寺 直幸; 長谷川 雄太; 井戸村 泰宏
Proceedings of 2021 IEEE International Conference on Cluster Computing (IEEE Cluster 2021) (Internet), p.686 - 691, 2021/10
被引用回数：2 パーセンタイル：62.64(Computer Science, Hardware & Architecture)多重解像度の定常流を予測する畳み込みニューラルネットワークを開発した。本モデルは、最先端の画像変換モデルpix2pixHDに基づき、パッチ化された符合付き距離関数から高解像度の流れ場の予測が可能である。高解像度データをパッチ化することにより、pix2pixHDと比べてメモリ使用量を削減した。
朝比 祐一; 畑山 そら*; 下川辺 隆史*; 小野寺 直幸; 長谷川 雄太; 井戸村 泰宏
計算工学講演会論文集(CD-ROM), 26, 4 Pages, 2021/05
多重解像度の定常流流れ場を符合付き距離関数から予測するConvolutional Neural networkモデルを開発した。高解像度の画像生成を可能とするネットワークPix2PixHDをパッチ化された高解像度データに適用することで、通常のPix2PixHDよりメモリ使用量を削減しつつ、高解像度流れ場の予測が可能であることを示した。
畑山 そら*; 下川辺 隆史*; 小野寺 直幸
no journal, ,
数値流体力学(CFD)は、流体現象を解析する手法として広く用いられている。しかしながら、これらを工学問題に適用した場合、計算コストが大きい事と、流体現象が定常状態に到達するまでに長時間の計算が必要という問題があげられる。この問題の解決策として、我々の研究グループでは、深層学習法の1つである畳み込みニューラルネットワーク(CNN)の使用を試みた。本研究では、CNNによる定常流体解析の高速な予測と、複数の計算領域間の袖領域の情報交換を組み合わせることで、高速な大領域の解析を実現した。
畑山 そら*; 下川辺 隆史*; 小野寺 直幸
no journal, ,
本研究は、入力形状を複数の部分に分割し、各部分に小型ニューラルネットワークを並列に適用することで、大規模シミュレーションの結果が予測可能な手法を提案した。構築したモデルは、符号付き距離関数を入力として用いることで2次元の速度場を予測が可能となる。この方法に加えて、大きな領域を複数の領域に分割し、分割された領域に対して予測を反復的に実施する。最終的には、境界交換法を用いることで複数の領域にまたがる速度場が再現されることを確認した。
