ترجمه فارسی مقاله با وضوح فوق العاده مبتنی بر مش جریان مایعات با شبکه های عصبی نمودار چند مقیاس

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks
عنوان مقاله به فارسی با وضوح فوق العاده مبتنی بر مش جریان مایعات با شبکه های عصبی نمودار چند مقیاس
نویسندگان Shivam Barwey, Pinaki Pal, Saumil Patel, Riccardo Balin, Bethany Lusch, Venkatram Vishwanath, Romit Maulik, Ramesh Balakrishnan
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Fluid Dynamics,Computational Engineering, Finance, and Science,Machine Learning,Computational Physics,دینامیک سیال , مهندسی محاسباتی , امور مالی و علوم , یادگیری ماشین , فیزیک محاسباتی ,
توضیحات Submitted 17 September, 2024; v1 submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛V1 ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

A graph neural network (GNN) approach is introduced in this work which enables mesh-based three-dimensional super-resolution of fluid flows. In this framework, the GNN is designed to operate not on the full mesh-based field at once, but on localized meshes of elements (or cells) directly. To facilitate mesh-based GNN representations in a manner similar to spectral (or finite) element discretizations, a baseline GNN layer (termed a message passing layer, which updates local node properties) is modified to account for synchronization of coincident graph nodes, rendering compatibility with commonly used element-based mesh connectivities. The architecture is multiscale in nature, and is comprised of a combination of coarse-scale and fine-scale message passing layer sequences (termed processors) separated by a graph unpooling layer. The coarse-scale processor embeds a query element (alongside a set number of neighboring coarse elements) into a single latent graph representation using coarse-scale synchronized message passing over the element neighborhood, and the fine-scale processor leverages additional message passing operations on this latent graph to correct for interpolation errors. Demonstration studies are performed using hexahedral mesh-based data from Taylor-Green Vortex flow simulations at Reynolds numbers of 1600 and 3200. Through analysis of both global and local errors, the results ultimately show how the GNN is able to produce accurate super-resolved fields compared to targets in both coarse-scale and multiscale model configurations.

چکیده به فارسی (ترجمه ماشینی)

یک رویکرد شبکه عصبی نمودار (GNN) در این کار معرفی شده است که امکان پذیر است سه بعدی وضوح سه بعدی از جریان مایعات را فراهم می کند.در این چارچوب ، GNN به گونه ای طراحی شده است که نه در یک میدان کامل مبتنی بر مش ، بلکه به طور مستقیم روی مشبک های موضعی عناصر (یا سلول ها) کار کند.برای تسهیل بازنمایی های GNN مبتنی بر مش به روشی شبیه به تفسیر عناصر طیفی (یا محدود) ، یک لایه پایه GNN (به عنوان یک لایه عبور پیام ، که ویژگی های گره محلی را به روز می کند) اصلاح می شود تا هماهنگ سازی گره های نمودار همزمان ، ارائه سازگاری را ارائه دهد.با اتصال مشبک مبتنی بر عنصر.این معماری از نظر طبیعت چند طبقه است و از ترکیبی از پیام های درشت و در مقیاس خوب در مقیاس عبور توالی لایه (پردازنده های نامیده شده) جدا شده توسط یک لایه غیرقانونی نمودار تشکیل شده است.پردازنده درشت درشت یک عنصر پرس و جو (در کنار تعداد مشخصی از عناصر درشت همسایه) را در یک نمودار نمودار نهفته با استفاده از پیام هماهنگ درشت درشت که از محله Element عبور می کند ، تعبیه می کند ، و پردازنده در مقیاس خوب پیام های دیگری را که در این زمینه عبور می کند ، اعمال می کندنمودار نهان برای اصلاح خطاهای درون یابی.مطالعات تظاهرات با استفاده از داده های مبتنی بر مش hexahedral از شبیه سازی جریان گرداب تیلور-گرین در شماره های رینولدز از 1600 و 3200 انجام می شود. از طریق تجزیه و تحلیل هر دو خطای جهانی و محلی ، نتایج در نهایت نشان می دهد که چگونه GNN قادر به تولید زمینه های دقیق فوق العاده است.در مقایسه با اهداف در هر دو تنظیم در مقیاس درشت و چند مدل.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.