論文の概要: Predicting The Evolution of Interfaces with Fourier Neural Operators

• arxiv url: http://arxiv.org/abs/2505.13463v1
• Date: Mon, 05 May 2025 19:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-25 10:52:49.050483
• Title: Predicting The Evolution of Interfaces with Fourier Neural Operators
• Title（参考訳）: フーリエニューラル演算子を用いた界面の進化予測
• Authors: Paolo Guida, William L. Roberts,
• Abstract要約: AIの最近の進歩は、偏微分方程式の進化を予測する強力なツールとして神経演算子を確立している。 この研究は、ニューラル演算子に基づく予測の時間スケールがマルチフェーズアプリケーションの時間スケールに匹敵することを示した。
• 参考スコア（独自算出の注目度）: 0.3069335774032178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent progress in AI has established neural operators as powerful tools that can predict the evolution of partial differential equations, such as the Navier-Stokes equations. Some complex problems rely on sophisticated algorithms to deal with strong discontinuities in the computational domain. For example, liquid-vapour multiphase flows are a challenging problem in many configurations, particularly those involving large density gradients or phase change. The complexity mentioned above has not allowed for fine control of fast industrial processes or applications because computational fluid dynamics (CFD) models do not have a quick enough forecasting ability. This work demonstrates that the time scale of neural operators-based predictions is comparable to the time scale of multi-phase applications, thus proving they can be used to control processes that require fast response. Neural Operators can be trained using experimental data, simulations or a combination. In the following, neural operators were trained in volume of fluid simulations, and the resulting predictions showed very high accuracy, particularly in predicting the evolution of the liquid-vapour interface, one of the most critical tasks in a multi-phase process controller.
• Abstract（参考訳）: AIの最近の進歩は、ナヴィエ・ストークス方程式のような偏微分方程式の進化を予測する強力なツールとして神経演算子を確立している。 いくつかの複雑な問題は、計算領域における強い不連続性を扱うための洗練されたアルゴリズムに依存している。 例えば、液-蒸気多相流は多くの構成、特に大きな密度勾配や相変化を伴う場合において難しい問題である。 上記の複雑さは、計算流体力学(CFD)モデルが十分な予測能力を持っていないため、高速な産業プロセスやアプリケーションのきめ細かい制御を許していない。 この研究は、ニューラル演算子に基づく予測の時間スケールがマルチフェーズアプリケーションの時間スケールに匹敵することを示した。 ニューラルオペレータは、実験データやシミュレーション、組み合わせを使ってトレーニングすることができる。 以下に示すように、ニューラル作用素は流体シミュレーションのボリュームで訓練され、その結果の予測は非常に高精度で、特に多相プロセスコントローラにおける最も重要なタスクである液-蒸気界面の進化を予測した。

関連論文リスト

• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning [0.0]
  部分スケールの予測は多くの小規模シミュレーションを必要とする。 LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。 我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
  論文  参考訳（メタデータ） (2022-02-02T17:24:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。