論文の概要: Learning Fluid-Structure Interaction Dynamics with Physics-Informed Neural Networks and Immersed Boundary Methods
- arxiv url: http://arxiv.org/abs/2505.18565v4
- Date: Wed, 10 Sep 2025 11:36:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-11 15:16:52.096789
- Title: Learning Fluid-Structure Interaction Dynamics with Physics-Informed Neural Networks and Immersed Boundary Methods
- Title（参考訳）: 物理インフォームドニューラルネットワークと入射境界法による流体構造相互作用ダイナミクスの学習
- Authors: Afrah Farea, Saiful Khan, Reza Daryani, Emre Cenk Ersan, Mustafa Serdar Celebi,
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、複雑な流体力学問題を解決するための有望なアプローチとして登場した。
この研究は流体構造相互作用(FSI)問題と移動境界のモデル化という課題に対処する。
我々は,没入境界法(IBM)の原則を取り入れたイノベーティブなEulerian-Lagrangian PINNアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.39146761527401425
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Physics-informed neural networks (PINNs) have emerged as a promising approach for solving complex fluid dynamics problems, yet their application to fluid-structure interaction (FSI) problems with moving boundaries remains largely unexplored. This work addresses the critical challenge of modeling FSI systems with deformable interfaces, where traditional unified PINN architectures struggle to capture the distinct physics governing fluid and structural domains simultaneously. We present an innovative Eulerian-Lagrangian PINN architecture that integrates immersed boundary method (IBM) principles to solve FSI problems with moving boundary conditions. Our approach fundamentally departs from conventional unified architectures by introducing domain-specific neural networks: an Eulerian network for fluid dynamics and a Lagrangian network for structural interfaces, coupled through physics-based constraints. Additionally, we incorporate learnable B-spline activation functions with SiLU to capture both localized high-gradient features near interfaces and global flow patterns. Empirical studies on a 2D cavity flow problem involving a moving solid structure show that while baseline unified PINNs achieve reasonable velocity predictions, they suffer from substantial pressure errors (12.9%) in structural regions. Our Eulerian-Lagrangian architecture with learnable activations (EL-L) achieves better performance across all metrics, improving accuracy by 24.1-91.4% and particularly reducing pressure errors from 12.9% to 2.39%. These results demonstrate that domain decomposition aligned with physical principles, combined with locality-aware activation functions, is essential for accurate FSI modeling within the PINN framework.
- Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、複雑な流体力学の問題を解決するための有望なアプローチとして登場したが、移動境界を伴う流体構造相互作用(FSI)問題へのそれらの応用は、ほとんど未解明のままである。
この研究は、従来の統一PINNアーキテクチャが流体と構造ドメインの異なる物理を同時に捉えるのに苦労する、変形可能なインタフェースでFSIシステムをモデル化するという重要な課題に対処する。
我々は,移動境界条件でFSI問題を解決するために,没入境界法(IBM)の原則を統合したイノベーティブなEulerian-Lagrangian PINNアーキテクチャを提案する。
提案手法は,流体力学のためのユーレリアネットワークと構造界面のためのラグランジアンネットワークを物理ベースの制約によって結合することで,従来の統一アーキテクチャから根本的に逸脱する。
さらに,学習可能なB-スプライン活性化関数をSiLUに組み込んで,インタフェース近傍の局所的な高次特徴とグローバルフローパターンの両方をキャプチャする。
運動する固体構造を含む2次元空洞流問題に関する実証的研究により、ベースライン統合PINNは合理的な速度予測を達成できるが、構造領域のかなりの圧力誤差(12.9%)に悩まされていることが示された。
学習可能なアクティベーション(EL-L)を備えたEulerian-Lagrangianアーキテクチャは、すべてのメトリクスに対して優れたパフォーマンスを実現し、精度を24.1-91.4%向上させ、特に圧力誤差を12.9%から2.39%に削減した。
これらの結果から,局所性を考慮したアクティベーション関数と組み合わさった領域分解は,PINNフレームワーク内での正確なFSIモデリングに不可欠であることが示唆された。
関連論文リスト
- Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - Improving hp-Variational Physics-Informed Neural Networks for Steady-State Convection-Dominated Problems [4.0974219394860505]
本稿では,より正確にはFastVPINNsフレームワークであるhp-可変物理インフォームドニューラルネットワークを対流支配対流拡散反応問題に適用する2つの拡張について検討する。
まず、損失関数にSUPG安定化の精神の項を含め、空間的に変化する安定化パラメータを予測するネットワークアーキテクチャを提案する。
第二の新規性は、指標関数のクラスのよいパラメータを学習するネットワークアーキテクチャの提案である。
論文 参考訳（メタデータ） (2024-11-14T10:21:41Z) - A Physics Informed Neural Network (PINN) Methodology for Coupled Moving Boundary PDEs [0.0]
物理インフォームドニューラルネットワーク(PINN)は、微分方程式(DE)を用いてモデル化された物理問題を解くのに役立つ新しいマルチタスク学習フレームワークである
本稿では、複数の制御パラメータ(エネルギーと種、および複数のインターフェースバランス方程式)を含む結合システムを解決するためのPINNベースのアプローチについて報告する。
論文 参考訳（メタデータ） (2024-09-17T06:00:18Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Structured Neural Networks for Density Estimation and Causal Inference [15.63518195860946]
ニューラルネットワークに構造を注入することで、入力のサブセットに関する不変性を満たす学習機能を実現することができる。
本稿では,ニューラルネットワークのマスキング経路を通じて構造を注入する構造ニューラルネットワーク(StrNN)を提案する。
論文 参考訳（メタデータ） (2023-11-03T20:15:05Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳（メタデータ） (2021-10-14T14:05:19Z) - Effects of boundary conditions in fully convolutional networks for
learning spatio-temporal dynamics [0.0]
本稿では,境界条件を課すためのいくつかの戦略について検討する。
最適なパディング戦略の選択は、データセマンティクスに直接関連している。
追加の入力空間コンテキストや明示的な物理に基づく規則を含めることで、特に多くの繰り返しに対して境界の扱いがより良くなる。
論文 参考訳（メタデータ） (2021-06-21T14:58:41Z) - Learning Interpretable Models for Coupled Networks Under Domain
Constraints [8.308385006727702]
脳ネットワークの構造的エッジと機能的エッジの相互作用に着目して,結合ネットワークの概念を検討する。
相互作用を推定しながらノイズ項にハードネットワークの制約を課す新しい定式化を提案する。
ヒトコネクトームプロジェクトから得られたマルチシェル拡散およびタスク誘発fMRIデータセットの手法を検証する。
論文 参考訳（メタデータ） (2021-04-19T06:23:31Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Local Propagation in Constraint-based Neural Network [77.37829055999238]
ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。
本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
論文 参考訳（メタデータ） (2020-02-18T16:47:38Z)
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。