Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | University of Washington | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Cornell University | - |
Autor(es): dc.creator | Otto, Samuel E. | - |
Autor(es): dc.creator | Oishi, Cassio M. | - |
Autor(es): dc.creator | Amaral, Fabio V.G. | - |
Autor(es): dc.creator | Brunton, Steven L. | - |
Autor(es): dc.creator | Nathan Kutz, J. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:53:20Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:53:20Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-10-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.jcp.2024.113371 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/296954 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/296954 | - |
Descrição: dc.description | The ability to measure differences in collected data is of fundamental importance for quantitative science and machine learning, motivating the establishment of metrics grounded in physical principles. In this study, we focus on the development of such metrics for viscoelastic fluid flows governed by a large class of linear and nonlinear stress models. To do this, we introduce energy-compatible families of kernel functions corresponding to a given viscoelastic stress model. Each kernel implicitly embeds flowfield snapshots into a Reproducing Kernel Hilbert Space (RKHS) in which distances and angles are computed and whose squared norm equals the total mechanical energy. Additionally, we present a solution to the preimage problem for these kernels, enabling accurate reconstruction of flowfields from their RKHS representations. Through numerical experiments on an unsteady viscoelastic lid-driven cavity flow, we demonstrate the utility of energy-compatible kernels for extracting energetically-dominant coherent structures in viscoelastic flows across a range of Reynolds and Weissenberg numbers. Specifically, the features extracted by Kernel Principal Component Analysis (KPCA) of flowfield snapshots using energy-compatible kernel functions yield reconstructions with superior accuracy in terms of mechanical energy compared to conventional methods such as ordinary Principal Component Analysis (PCA) with naïvely-defined state vectors or KPCA with ad-hoc choices of kernel functions. Our findings underscore the importance of principled choices of metrics in both scientific and machine learning investigations of complex fluid systems. | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Army Research Office | - |
Descrição: dc.description | AI Institute in Dynamic Systems University of Washington | - |
Descrição: dc.description | Departamento de Matemática e Computação Faculdade de Ciências e Tecnologia São Paulo State University | - |
Descrição: dc.description | Department of Mechanical Engineering University of Washington | - |
Descrição: dc.description | Department of Applied Mathematics University of Washington | - |
Descrição: dc.description | Sibley School of Mechanical and Aerospace Engineering Cornell University | - |
Descrição: dc.description | Departamento de Matemática e Computação Faculdade de Ciências e Tecnologia São Paulo State University | - |
Descrição: dc.description | FAPESP: 2013/07375-0 | - |
Descrição: dc.description | FAPESP: 2021/07034-4 | - |
Descrição: dc.description | FAPESP: 2021/13833-7 | - |
Descrição: dc.description | FAPESP: 2023/06035-2 | - |
Descrição: dc.description | CNPq: 305383/2019-1 | - |
Descrição: dc.description | CNPq: 307228/2023-1 | - |
Descrição: dc.description | Army Research Office: W911NF-19-1-0045 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Journal of Computational Physics | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Energy-based inner product | - |
Palavras-chave: dc.subject | Kernel method | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Principal component analysis | - |
Palavras-chave: dc.subject | Reproducing kernel Hilbert space | - |
Palavras-chave: dc.subject | Viscoelastic flow | - |
Título: dc.title | Machine learning in viscoelastic fluids via energy-based kernel embedding | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: