論文の概要: A 3D Machine Learning based Volume Of Fluid scheme without explicit interface reconstruction
- arxiv url: http://arxiv.org/abs/2507.05218v1
- Date: Mon, 07 Jul 2025 17:30:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.537156
- Title: A 3D Machine Learning based Volume Of Fluid scheme without explicit interface reconstruction
- Title（参考訳）: 明示的なインタフェース再構成を伴わない3次元機械学習に基づく流体スキームのボリューム
- Authors: Moreno Pintore, Bruno Després,
- Abstract要約: 三次元領域上での多物質フローをシミュレーションする機械学習に基づくVolume of Fluid法を提案する。
この手法の斬新な点の1つは、以前に訓練されたニューラルネットワークを評価してフラックス分数を計算することである。
メッシュのサイズが0$h=1/N_hsearrow 0$になる傾向にあるため、数値収束は2つの参照スキームよりもよい。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a machine-learning based Volume Of Fluid method to simulate multi-material flows on three-dimensional domains. One of the novelties of the method is that the flux fraction is computed by evaluating a previously trained neural network and without explicitly reconstructing any local interface approximating the exact one. The network is trained on a purely synthetic dataset generated by randomly sampling numerous local interfaces and which can be adapted to improve the scheme on less regular interfaces when needed. Several strategies to ensure the efficiency of the method and the satisfaction of physical constraints and properties are suggested and formalized. Numerical results on the advection equation are provided to show the performance of the method. We observe numerical convergence as the size of the mesh tends to zero $h=1/N_h\searrow 0$, with a better rate than two reference schemes.
- Abstract（参考訳）: 三次元領域上での多物質フローをシミュレーションする機械学習に基づくVolume of Fluid法を提案する。
この手法の斬新な点の1つは、フラックス分画は、以前に訓練されたニューラルネットワークを評価し、正確に近似したローカルインターフェースを明示的に再構築することなく計算されることである。
ネットワークは、多数のローカルインタフェースをランダムにサンプリングして生成された純粋に合成されたデータセットに基づいて訓練され、必要に応じて少ない正規インターフェースのスキームを改善するために適応することができる。
提案手法の効率性と物理的制約および特性の満足度を確保するためのいくつかの戦略が提案され,定式化されている。
本手法の性能を示すために, 対流方程式の数値計算結果を提供する。
メッシュのサイズが0$h=1/N_h\searrow 0$になる傾向があるため、数値収束は2つの参照スキームよりもよい。
関連論文リスト
- 3DMeshNet: A Three-Dimensional Differential Neural Network for Structured Mesh Generation [2.892556380266997]
本稿では,3次元メッシュ生成のための新しい3DMeshNetを提案する。
3DMeshNetは、メッシュ関連微分方程式をニューラルネットワークの損失関数に埋め込む。
ユーザが定義した四面体/ヘキサヘドラル細胞の数で、3次元構造メッシュを効率よく出力することができる。
論文 参考訳（メタデータ） (2024-05-07T13:07:07Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳（メタデータ） (2023-03-08T02:36:09Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳（メタデータ） (2022-10-05T16:52:25Z) - A DeepParticle method for learning and generating aggregation patterns
in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。
さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文 参考訳（メタデータ） (2022-08-31T20:52:01Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Consistent and symmetry preserving data-driven interface reconstruction
for the level-set method [0.0]
我々は、レベルセット法、すなわち、インターフェース再構成(IR)に焦点を当てる。
体積率と開口率の計算。
提案手法は, 粗解決インターフェースの精度を向上し, 従来のIRを高分解能で復元する。
浮動小数点対称実装と計算効率の詳細を提供する。
論文 参考訳（メタデータ） (2021-04-23T13:21:10Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - NPLIC: A Machine Learning Approach to Piecewise Linear Interface
Construction [0.0]
PLIC計算を行うために、NPLICと呼ばれる別のニューラルネットワークベースの手法を提案する。
このデータ駆動型アプローチは,通常の計算コストのごく一部で正確な計算結果が得られることを示す。
論文 参考訳（メタデータ） (2020-06-26T16:48:53Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。