ترجمه فارسی مقاله یادگیری ماشینی تک عکس فوری برای وضوح فوق العاده آشفتگی

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 Single-snapshot machine learning for turbulence super resolution
عنوان مقاله به فارسی یادگیری ماشینی تک عکس فوری برای وضوح فوق العاده آشفتگی
نویسندگان Kai Fukami, Kunihiko Taira
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Fluid Dynamics,Machine Learning,Computational Physics,دینامیک سیال , یادگیری ماشین , فیزیک محاسباتی ,
توضیحات Submitted 7 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال 7 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

Modern machine-learning techniques are generally considered data-hungry. However, this may not be the case for turbulence as each of its snapshots can hold more information than a single data file in general machine-learning applications. This study asks the question of whether nonlinear machine-learning techniques can effectively extract physical insights even from as little as a single snapshot of a turbulent vortical flow. As an example, we consider machine-learning-based super-resolution analysis that reconstructs a high-resolution field from low-resolution data for two-dimensional decaying turbulence. We reveal that a carefully designed machine-learning model trained with flow tiles sampled from only a single snapshot can reconstruct vortical structures across a range of Reynolds numbers. Successful flow reconstruction indicates that nonlinear machine-learning techniques can leverage scale-invariance properties to learn turbulent flows. We further show that training data of turbulent flows can be cleverly collected from a single snapshot by considering characteristics of rotation and shear tensors. The present findings suggest that embedding prior knowledge in designing a model and collecting data is important for a range of data-driven analyses for turbulent flows. More broadly, this work hopes to stop machine-learning practitioners from being wasteful with turbulent flow data.

چکیده به فارسی (ترجمه ماشینی)

تکنیک های مدرن یادگیری ماشین به طور کلی داده گرسنه در نظر گرفته می شوند.با این حال ، این ممکن است در مورد تلاطم اتفاق نیفتد زیرا هر یک از عکسهای فوری آن می توانند اطلاعات بیشتری نسبت به یک فایل داده واحد در برنامه های یادگیری ماشین عمومی داشته باشند.این مطالعه این سؤال را مطرح می کند که آیا تکنیک های یادگیری ماشین غیرخطی می توانند به طور موثری بینش های فیزیکی را حتی از یک عکس فوری از یک جریان گرداب آشفته ، استخراج کنند.به عنوان نمونه ، ما تجزیه و تحلیل فوق وضوح مبتنی بر یادگیری ماشین را در نظر می گیریم که یک میدان با وضوح بالا را از داده های با وضوح پایین برای تلاطم پوسیدگی دو بعدی بازسازی می کند.ما نشان می دهیم که یک مدل یادگیری ماشین با دقت طراحی شده با کاشی های جریان نمونه برداری شده از یک عکس فوری تنها می تواند ساختارهای گرداب را در طیف وسیعی از شماره های رینولدز بازسازی کند.بازسازی جریان موفقیت آمیز نشان می دهد که تکنیک های یادگیری ماشین غیرخطی می توانند از خصوصیات متغیر مقیاس برای یادگیری جریان های آشفته استفاده کنند.ما همچنین نشان می دهیم که داده های آموزش جریان های آشفته می توانند با در نظر گرفتن ویژگی های چرخش و تانسور برشی ، هوشمندانه از یک عکس فوری جمع شوند.یافته های حاضر نشان می دهد که تعبیه دانش قبلی در طراحی یک مدل و جمع آوری داده ها برای طیف وسیعی از تجزیه و تحلیل داده های محور برای جریان های آشفته مهم است.به طور گسترده تر ، این کار امیدوار است که پزشکان یادگیری ماشین را از داده های جریان آشفته جلوگیری کنند.

📚 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.