論文の概要: Convolutional autoencoders for the reconstruction of three-dimensional interfacial multiphase flows

• arxiv url: http://arxiv.org/abs/2508.04084v1
• Date: Wed, 06 Aug 2025 05:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.54958
• Title: Convolutional autoencoders for the reconstruction of three-dimensional interfacial multiphase flows
• Title（参考訳）: 三次元界面多相流再構成のための畳み込み自己エンコーダ
• Authors: Murray Cutforth, Shahab Mirjalili,
• Abstract要約: 我々は, 標準的な畳み込み構造を用いて, 多相流の体積/質量分画を復元する精度に焦点をあてる。 本研究では, オートエンコーダによる多相流の次元性を低減するためのベストプラクティスを明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we perform a comprehensive investigation of autoencoders for reduced-order modeling of three-dimensional multiphase flows. Focusing on the accuracy of reconstructing multiphase flow volume/mass fractions with a standard convolutional architecture, we examine the advantages and disadvantages of different interface representation choices (diffuse, sharp, level set). We use a combination of synthetic data with non-trivial interface topologies and high-resolution simulation data of multiphase homogeneous isotropic turbulence for training and validation. This study clarifies the best practices for reducing the dimensionality of multiphase flows via autoencoders. Consequently, this paves the path for uncoupling the training of autoencoders for accurate reconstruction and the training of temporal or input/output models such as neural operators (e.g., FNOs, DeepONets) and neural ODEs on the lower-dimensional latent space given by the autoencoders. As such, the implications of this study are significant and of interest to the multiphase flow community and beyond.
• Abstract（参考訳）: 本研究では,3次元多相流の低次モデリングのためのオートエンコーダを包括的に検討する。 標準的な畳み込み構造を用いて多相流の体積/質量分画を再構成する精度に着目し,異なるインタフェース表現選択(拡散,シャープ,レベルセット)の利点と欠点について検討した。 我々は,非自明な界面トポロジと多相同次等方性乱流の高分解能シミュレーションデータを組み合わせたトレーニングと検証を行った。 本研究では, オートエンコーダによる多相流の次元性を低減するためのベストプラクティスを明らかにする。 これにより、オートエンコーダのトレーニングを正確に再構築し、ニューラル演算子(例えば、FNOs、DeepONets)やニューラル ODE などの時間的または入力/出力モデルのトレーニングを、オートエンコーダが与える低次元の潜在空間上で解き放つことができる。 このように、本研究の意義は重要であり、多相流群集などにも関心が持たれている。

関連論文リスト

• Multi-Hierarchical Surrogate Learning for Structural Dynamical Crash Simulations Using Graph Convolutional Neural Networks [5.582881461692378]
  カルトフレームの一連のサロゲートモデルを構造的に生成する多階層フレームワークを提案する。 マルチスケール現象では、粗いサロゲート上でマクロスケールの特徴が捉えられ、ミクロスケール効果はより微細なサロゲートによって解決される。 我々は、粗い表現上でパラメータ依存の低次元潜在力学を学習するグラフ畳み込みニューラルネットワークに基づくサロゲートを訓練する。
  論文  参考訳（メタデータ） (2024-02-14T15:22:59Z)
• Improving Efficiency of Diffusion Models via Multi-Stage Framework and Tailored Multi-Decoder Architectures [12.703947839247693]
  拡散モデルは強力な深層生成ツールとして登場し、様々な応用に優れている。 しかし、その顕著な生成性能は、遅いトレーニングとサンプリングによって妨げられている。 これは、広範囲の前方および逆拡散軌道を追跡する必要があるためである。 本稿では,これらの課題に対処するための経験的知見から着想を得た多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T17:48:09Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• 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)
• Benchmarking of Deep Learning models on 2D Laminar Flow behind Cylinder [0.0]
  直接数値シミュレーション(DNS)は計算流体力学におけるタスクの1つである。 これら3つのモデルをオートエンコーダ方式でトレーニングするため、データセットは入力としてモデルに与えられたシーケンシャルフレームとして扱われる。 我々は、最近導入されたTransformerと呼ばれるアーキテクチャが、選択したデータセットでそのアーキテクチャを著しく上回っていることを観察する。
  論文  参考訳（メタデータ） (2022-05-26T16:49:09Z)
• Learning two-phase microstructure evolution using neural operators and autoencoder architectures [0.0]
  我々は、畳み込みオートエンコーダアーキテクチャとディープニューラル演算子(DeepONet)を統合する新しいフレームワークを開発する。 DeepONetは潜伏空間における微細構造進化のメソスケールダイナミクスを学習する。 結果は、効率的で正確な位相場フレームワークである。
  論文  参考訳（メタデータ） (2022-04-11T18:34:59Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)

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。