論文の概要: Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction

• arxiv url: http://arxiv.org/abs/2507.19233v1
• Date: Fri, 25 Jul 2025 12:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.962118
• Title: Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction
• Title（参考訳）: 内部流れと温度場予測のためのコンポーネントベース機械学習
• Authors: Shaofan Wang, Nils Thuerey, Philipp Geyer,
• Abstract要約: 本研究では,従来のCFDシミュレーションを代替するコンポーネントベース機械学習(CBML)サロゲートモデリング手法を提案する。 CBMLは3つのニューラルネットワークで構成されている: 残留接続を持つ畳み込み自己エンコーダ(CAER)、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)。 その結果、CBMLモデルはトレーニングとテストの両方のデータセットで2次元の集約速度場を正確に高速に予測できることがわかった。
• 参考スコア（独自算出の注目度）: 22.85411632321514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient prediction of indoor airflow and temperature distributions is essential for building energy optimization and occupant comfort control. However, traditional CFD simulations are computationally intensive, limiting their integration into real-time or design-iterative workflows. This study proposes a component-based machine learning (CBML) surrogate modeling approach to replace conventional CFD simulation for fast prediction of indoor velocity and temperature fields. The model consists of three neural networks: a convolutional autoencoder with residual connections (CAER) to extract and compress flow features, a multilayer perceptron (MLP) to map inlet velocities to latent representations, and a convolutional neural network (CNN) as an aggregator to combine single-inlet features into dual-inlet scenarios. A two-dimensional room with varying left and right air inlet velocities is used as a benchmark case, with CFD simulations providing training and testing data. Results show that the CBML model accurately and fast predicts two-component aggregated velocity and temperature fields across both training and testing datasets.
• Abstract（参考訳）: 室内空気流の正確な予測と温度分布は,建築エネルギー最適化と居住快適制御に不可欠である。 しかし、従来のCFDシミュレーションは計算集約的であり、リアルタイムまたは設計上のワークフローへの統合を制限している。 本研究では,従来のCFDシミュレーションに代えて,コンポーネントベース機械学習(CBML)サロゲートモデリング手法を提案する。 このモデルは、3つのニューラルネットワークで構成されている。フロー特徴を抽出し圧縮するための残コネクションを持つ畳み込みオートエンコーダ(CAER)、潜伏表現に入射速度をマッピングする多層パーセプトロン(MLP)、単一入射特徴を二重入射シナリオに結合するアグリゲータとしての畳み込みニューラルネットワーク(CNN)である。 左右の気筒速度の異なる2次元の部屋をベンチマークケースとして使用し、CFDシミュレーションでトレーニングデータと試験データを提供する。 その結果、CBMLモデルはトレーニングとテストの両方のデータセットで2成分の集約速度と温度場を正確に予測できることがわかった。

関連論文リスト

• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field [3.9561033879611944]
  ベースラインネットワークとして改良された畳み込み長短期記憶(Con-vLSTM)ニューラルネットワークを提案する。 円柱まわりの流れの数値シミュレーションを行った。 その結果、改良されたConvLSTMモデルにより、より時間的および空間的特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2025-05-21T13:54:37Z)
• STONet: A neural operator for modeling solute transport in micro-cracked reservoirs [0.49998148477760973]
  マイクロクラック多孔質媒体の汚染物質輸送を効率的にモデル化する新しいニューラル演算子であるソルトトランスポート・オペレーターネットワーク(STONet)を導入する。 数値実験により,STONetの精度はFEMシミュレーションと比較して1%以下であることがわかった。
  論文  参考訳（メタデータ） (2024-12-07T07:53:47Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework [0.7223509567556214]
  本研究では,深層学習を用いたシミュレーションの品質向上により,流体力学問題の空間的離散化誤差を低減する手法を提案する。 我々は、粗いグリッドの離散化に投射した後、細粒度のデータでモデルをフィードする。 我々は、セル中心からフェイス値への速度を補間するフィードフォワードニューラルネットワークにより、対流項のデフォルトの差分スキームを置換し、ダウンサンプリングされた微細グリッドデータをよく近似する速度を生成する。
  論文  参考訳（メタデータ） (2024-05-13T02:59:50Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Finite volume method network for acceleration of unsteady computational fluid dynamics: non-reacting and reacting flows [0.0]
  CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。 反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
  論文  参考訳（メタデータ） (2021-05-07T15:33:49Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• CFDNet: a deep learning-based accelerator for fluid simulations [1.5649420473539182]
  CFDは、飛行機の翼のリフトや自動車のドラッグなどの工学的な量の興味を予測するために使用される。 多くの興味あるシステムはCFDシミュレーションを評価するコストがかかるため、設計の最適化には不当に高価である。 本稿では,物理シミュレーションとディープラーニングを組み合わせたフレームワークCFDNetを紹介する。
  論文  参考訳（メタデータ） (2020-05-09T18:06:09Z)

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。