論文の概要: BubbleONet: A Physics-Informed Neural Operator for High-Frequency Bubble Dynamics
- arxiv url: http://arxiv.org/abs/2508.03965v1
- Date: Tue, 05 Aug 2025 23:05:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.471392
- Title: BubbleONet: A Physics-Informed Neural Operator for High-Frequency Bubble Dynamics
- Title（参考訳）: BubbleONet:高周波バブルダイナミクスのための物理インフォーマルニューラルネットワーク
- Authors: Yunhao Zhang, Lin Cheng, Aswin Gnanaskandan, Ameya D. Jagtap,
- Abstract要約: BubbleONetは、入力関数空間から対応する気泡半径応答に圧力プロファイルをマッピングするために設計された演算子学習モデルである。
このモデルは,(1)1つの初期半径を持つレイリー・プレセット方程式に基づく気泡力学,(2)1つの初期半径を持つケラー・ミクシス方程式に基づく気泡力学,(3)複数の初期半径を持つケラー・ミクシス方程式に基づく気泡力学など,様々なシナリオで評価されている。
- 参考スコア（独自算出の注目度）: 7.370254443179765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces BubbleONet, an operator learning model designed to map pressure profiles from an input function space to corresponding bubble radius responses. BubbleONet is built upon the physics-informed deep operator network (PI-DeepONet) framework, leveraging DeepONet's powerful universal approximation capabilities for operator learning alongside the robust physical fidelity provided by the physics-informed neural networks. To mitigate the inherent spectral bias in deep learning, BubbleONet integrates the Rowdy adaptive activation function, enabling improved representation of high-frequency features. The model is evaluated across various scenarios, including: (1) Rayleigh-Plesset equation based bubble dynamics with a single initial radius, (2) Keller-Miksis equation based bubble dynamics with a single initial radius, and (3) Keller-Miksis equation based bubble dynamics with multiple initial radii. Moreover, the performance of single-step versus two-step training techniques for BubbleONet is investigated. The results demonstrate that BubbleONet serves as a promising surrogate model for simulating bubble dynamics, offering a computationally efficient alternative to traditional numerical solvers.
- Abstract（参考訳）: 本稿では,入力関数空間から対応する気泡半径応答に圧力分布をマッピングする演算子学習モデルBubbleONetを紹介する。
BubbleONetは物理インフォームド・ディープ・オペレーター・ネットワーク(PI-DeepONet)フレームワーク上に構築されており、物理インフォームド・ニューラルネットワークが提供する堅牢な物理的忠実さと並行して、DeepONetの強力な普遍的近似機能を演算子学習に活用している。
深層学習におけるスペクトルバイアスを軽減するため、BubbleONetはRowdy適応アクティベーション機能を統合し、高周波特徴の表現を改善する。
このモデルは,(1)1つの初期半径を持つレイリー・プレセット方程式に基づく気泡力学,(2)1つの初期半径を持つケラー・ミクシス方程式に基づく気泡力学,(3)複数の初期半径を持つケラー・ミクシス方程式に基づく気泡力学など,様々なシナリオで評価されている。
さらに,BubbleONetにおけるシングルステップと2ステップのトレーニング手法の性能について検討した。
以上の結果から,BubbleONetは気泡力学をシミュレーションするための有望な代理モデルとして機能し,従来の数値解法に代えて計算効率がよいことを示した。
関連論文リスト
- Reservoir Computing with a Single Oscillating Gas Bubble: Emphasizing the Chaotic Regime [0.0]
本研究では,液塊内に閉じ込められた単一気泡に基づく貯水池計算システムを提案し,理論的に検証する。
入力情報をエンコードし、複雑な非線形ダイナミクスを励起する外部音圧波を適用することにより、この単一気泡貯水池計算システムによる複雑なベンチマーク時系列の予測能力を示す。
論文 参考訳（メタデータ） (2025-03-25T23:32:09Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - BubbleID: A Deep Learning Framework for Bubble Interface Dynamics Analysis [14.80319533550068]
BubbleIDは、沸騰する画像におけるバブルの静的特性と動的特性の両方を識別する。
システムは、各バブルの位置、寸法、界面形状、寿命の速度を分析することができる。
論文 参考訳（メタデータ） (2024-03-20T05:17:43Z) - Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning [1.8629003661522465]
本研究では, マイクロスケールおよびマクロスケールの非線型気泡力学解析を統一する合成ニューラル演算子モデルを構築した。
トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲の気泡半径を持つ非線形気泡動力学のmDPDおよびRPシミュレーションにより生成する。
その結果, トレーニングした複合型ニューラルオペレーターモデルは, 気泡半径の時間的評価に99%の精度で, スケールのバブルダイナミクスを正確に予測できることが示唆された。
論文 参考訳（メタデータ） (2024-03-20T04:56:02Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - High-Fidelity Simulation and Novel Data Analysis of the Bubble Creation
and Sound Generation Processes in Breaking Waves [4.290841102361447]
進行の顕著な領域は、波の破れに起因する乱流、二相流の計算である。
従来の研究で, 破れ波シミュレーションにおける気泡の追跡と, その動的挙動を時間とともに解釈する新しいアルゴリズムを開発した。
また, 砕波堤内の気泡発生を駆動する新しい物理機構を発見し, 気泡挙動と水中音の発生を関連づけるモデルを開発した。
論文 参考訳（メタデータ） (2022-11-06T04:29:26Z) - 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) - Inferring micro-bubble dynamics with physics-informed deep learning [0.0]
多相流シミュレーションは、計算中にスパースメッシュによって引き起こされる可能性のあるコンポーネント損失のために高い精度を必要とします。
深層ニューラルネットワーク(DNN)とサブネットの3つの主要部分を含む,異なる物理分野を予測する新しいディープラーニングフレームワークであるBubbleNetを提案する。
結果は, 絶対予測誤差を推定することで, 物理分野をより正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-05-15T09:17:56Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z)
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。