PulseAugur
中
实时 11:13:36
English(EN) Neural ensemble Kalman filter: Data assimilation for compressible flows with shocks

神经EnKF通过激波改进流体动力学模拟

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为神经集合卡尔曼滤波器（neural EnKF）的新型数据同化方法，以提高可压缩流体模拟的准确性，特别是涉及激波的模拟。传统的集合卡尔曼滤波器由于激波附近存在非高斯分布而难以处理这些流动，导致结果不准确。神经EnKF通过嵌入神经网络将集合数据映射到参数空间来解决这个问题，从而实现更平滑的更新并避免虚假振荡。 AI

影响 引入了一种新颖的基于神经网络的方法来提高流体动力学模拟的准确性，可能影响依赖于精确流动建模的领域。

排序理由 该集群包含一篇详细介绍流体动力学模拟新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xu-Hui Zhou, Lorenzo Beronilla, Michael K. Sleeman, Hangchuan Hu, Matthias Morzfeld, Andrew M. Stuart, Tamer A. Zaki ·

    Neural ensemble Kalman filter: Data assimilation for compressible flows with shocks

    arXiv:2602.23461v2 Announce Type: replace-cross Abstract: Data assimilation (DA) for compressible flows with shocks is challenging because many classical DA methods generate spurious oscillations and nonphysical features near uncertain shocks. We focus here on the ensemble Kalman…

相关实体

相关话题