論文の概要: Spatiotemporal wall pressure forecast of a rectangular cylinder with physics-aware DeepUFNet

• arxiv url: http://arxiv.org/abs/2508.03183v1
• Date: Tue, 05 Aug 2025 07:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.849397
• Title: Spatiotemporal wall pressure forecast of a rectangular cylinder with physics-aware DeepUFNet
• Title（参考訳）: 物理を考慮したDeepUFNetを用いた矩形柱の時空間壁圧予測
• Authors: Junle Liu, Chang Liu, Yanyu Ke, Wenliang Chen, Kihing Shum, K. T. Tse, Gang Hu,
• Abstract要約: 本研究では,DeepUFNet(DeepUFNet)ディープラーニングモデルを開発した。 DeepUFNetはUNet構造で構成され、物理周波数損失制御係数はモデルの訓練段階に埋め込まれている。 このモデルにより,壁圧情報を高精度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）: 7.806444353431173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The wall pressure is of great importance in understanding the forces and structural responses induced by fluid. Recent works have investigated the potential of deep learning techniques in predicting mean pressure coefficients and fluctuating pressure coefficients, but most of existing deep learning frameworks are limited to predicting a single snapshot using full spatial information. To forecast spatiotemporal wall pressure of flow past a rectangular cylinder, this study develops a physics-aware DeepU-Fourier neural Network (DeepUFNet) deep learning model. DeepUFNet comprises the UNet structure and the Fourier neural network, with physical high-frequency loss control embedded in the model training stage to optimize model performance, where the parameter $\beta$ varies with the development of the training epoch. Wind tunnel testing is performed to collect wall pressures of a two-dimensional rectangular cylinder with a side ratio of 1.5 at an angle of attack of zero using high-frequency pressure scanning, thereby constructing a database for DeepUFNet training and testing. The DeepUFNet model is found to forecast spatiotemporal wall pressure information with high accuracy. The comparison between forecast results and experimental data presents agreement in statistical information, temporal pressure variation, power spectrum density, spatial distribution, and spatiotemporal correlation. It is also found that embedding a physical high-frequency loss control coefficient $\beta$ in the DeepUFNet model can significantly improve model performance in forecasting spatiotemporal wall pressure information, in particular, in forecasting high-order frequency fluctuation and wall pressure variance. Furthermore, the DeepUFNet extrapolation capability is tested with sparse spatial information input, and the model presents a satisfactory extrapolation ability
• Abstract（参考訳）: 壁圧は流体によって誘起される力と構造的応答を理解する上で非常に重要である。 近年の研究では, 平均圧力係数と変動圧力係数を予測する深層学習技術の可能性について検討されているが, 既存の深部学習フレームワークのほとんどは, 全空間情報を用いた単一スナップショットの予測に限られている。 矩形柱を過ぎる流れの時空間壁圧を予測するため,DeepUFNet(DeepUFNet)深層学習モデルを開発した。 DeepUFNetはUNet構造とフーリエニューラルネットワークで構成され、モデルのトレーニングステージに物理高周波損失制御を組み込んでモデルパフォーマンスを最適化する。 風洞試験を行い、高周波圧力走査によるゼロの攻撃角度でのサイド比1.5の2次元矩形柱の壁圧力を収集し、DeepUFNetのトレーニングと試験のためのデータベースを構築する。 DeepUFNetモデルは、時空間の圧力情報を高精度に予測する。 予測結果と実験データの比較では,統計的情報,時間的圧力変動,パワースペクトル密度,空間分布,時空間相関が一致している。 また,DeepUFNetモデルに物理周波数損失制御係数$\beta$を組み込むことで,時空間壁圧情報の予測,特に高次周波数変動や壁圧変動の予測において,モデル性能を著しく向上させることができることがわかった。 さらに、空間情報の少ない入力でDeepUFNet外挿能力を検証し、そのモデルが良好な外挿能力を示す。

関連論文リスト

• Physics-constrained DeepONet for Surrogate CFD models: a curved backward-facing step case [0.9565934024763958]
  PC-DeepONetアーキテクチャは、基本的な物理知識をデータ駆動型DeepONetモデルに組み込んでいる。 どちらのモデルも50サンプルの小さなデータセットで収束し、収束するのに50イテレーションしか必要としない。
  論文  参考訳（メタデータ） (2025-03-14T08:43:36Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
  我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。 ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
  論文  参考訳（メタデータ） (2021-07-01T18:28:13Z)
• Improving Deep Learning Performance for Predicting Large-Scale Porous-Media Flow through Feature Coarsening [1.4050836886292868]
  このレターは、大規模な3次元多孔質媒質中の流体の流れとして圧力変化を予測するための深層学習(dl)ワークフローを記述する。 物理シミュレーションデータからトレーニングしたDL手法を用いて,フィールドスケールの3次元地質CO貯留層における圧力場を予測する。
  論文  参考訳（メタデータ） (2021-05-08T17:58:46Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。