Fugu-MT 論文翻訳(概要): Prediction of acoustic field in 1-D uniform duct with varying mean flow and temperature using neural networks

論文の概要: Prediction of acoustic field in 1-D uniform duct with varying mean flow and temperature using neural networks

arxiv url: http://arxiv.org/abs/2507.22370v1
Date: Wed, 30 Jul 2025 04:26:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-31 16:14:17.985157
Title: Prediction of acoustic field in 1-D uniform duct with varying mean flow and temperature using neural networks
Title（参考訳）: ニューラルネットワークによる1次元一様ダクト内の音場予測
Authors: D. Veerababu, Prasanta K. Ghosh,
Abstract要約: 不均一媒質を有する一次元ダクト内の音の伝搬を表す支配方程式を導出する。この問題は制約のない最適化問題に変換され、ニューラルネットワークを用いて解決される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural networks constrained by the physical laws emerged as an alternate numerical tool. In this paper, the governing equation that represents the propagation of sound inside a one-dimensional duct carrying a heterogeneous medium is derived. The problem is converted into an unconstrained optimization problem and solved using neural networks. Both the acoustic state variables: acoustic pressure and particle velocity are predicted and validated with the traditional Runge-Kutta solver. The effect of the temperature gradient on the acoustic field is studied. Utilization of machine learning techniques such as transfer learning and automatic differentiation for acoustic applications is demonstrated.
Abstract（参考訳）: 物理法則に制約されたニューラルネットワークは、代替の数値ツールとして現れた。本論文では、異種媒質を有する一次元ダクト内の音の伝搬を表す支配方程式を導出する。この問題は制約のない最適化問題に変換され、ニューラルネットワークを用いて解決される。音響状態変数:音圧と粒子速度を予測し、従来のルンゲ・クッタ解法を用いて検証する。温度勾配が音場に及ぼす影響について検討した。伝達学習や自動微分などの機械学習技術の音響応用への応用を実証した。

関連論文リスト

Estimation of the Acoustic Field in a Uniform Duct with Mean Flow using Neural Networks [0.0]
ニューラルネットワークを用いた平面波音場に対する平均流の対流効果について検討した。複素数値音響圧力と粒子速度は異なる周波数で予測された。様々な要因が音場に与える影響を記述したクローズドフォーム表現が導出される。
論文参考訳（メタデータ） (2025-03-25T07:45:11Z)
Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
論文参考訳（メタデータ） (2025-03-19T09:10:43Z)
Neural Acoustic Context Field: Rendering Realistic Room Impulse Response With Neural Fields [61.07542274267568]
このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。 RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
論文参考訳（メタデータ） (2023-09-27T19:50:50Z)
Implicit neural representation with physics-informed neural networks for the reconstruction of the early part of room impulse responses [16.89505645696765]
物理インフォームドニューラルネットワークを用いて、欠室インパルス応答の初期部分を線形配列で再構成する。提案モデルは,最先端の深層学習および圧縮センシング技術に関して,高精度な再構築と性能を実現する。
論文参考訳（メタデータ） (2023-06-20T13:01:00Z)
Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
論文参考訳（メタデータ） (2023-06-09T07:02:43Z)
Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文参考訳（メタデータ） (2022-11-24T07:30:27Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)
Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and their Interface under Uncertainty using Machine Learning [0.0]
我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。本研究では,不確実性の下での多物理問題の解法に固有の複雑性に対処する効率的なアルゴリズムを開発する。提案手法は不確実性が存在する場合にWpFSI問題を正確に予測する。
論文参考訳（メタデータ） (2021-03-30T01:05:14Z)
HypoSVI: Hypocenter inversion with Stein variational inference and Physics Informed Neural Networks [6.102077733475759]
定常変動を考慮した分散音響インバージョン方式を提案する。我々のアプローチは、ニューラルネットワークの形で微分可能なフォワードモデルを用いる。ディファレンシャルタイムの数で需要が効率的に拡大していることを示します。
論文参考訳（メタデータ） (2021-01-09T01:56:48Z)

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。