論文の概要: The compressible Neural Particle Method for Simulating Compressible Viscous Fluid Flows

• arxiv url: http://arxiv.org/abs/2508.16916v1
• Date: Sat, 23 Aug 2025 06:24:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.250296
• Title: The compressible Neural Particle Method for Simulating Compressible Viscous Fluid Flows
• Title（参考訳）: 圧縮性粘性流体シミュレーションのための圧縮性ニューラル粒子法
• Authors: Masato Shibukawa, Naoya Ozaki, Maximilien Berthet,
• Abstract要約: 粒子法は計算流体力学において重要な役割を担っているが、これらは実装し解くのが最も困難である。 最も一般的な方法はスムーズな粒子流体力学であり、津波やダム破壊のような大きな変形を含む問題設定に適している。 ニューラルネットワークを用いて空間領域の速度と圧力を近似した圧縮可能なニューラル粒子法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Particle methods play an important role in computational fluid dynamics, but they are among the most difficult to implement and solve. The most common method is smoothed particle hydrodynamics, which is suitable for problem settings that involve large deformations, such as tsunamis and dam breaking. However, the calculation can become unstable depending on the distribution of particles. In contrast, the neural particle method has high computational stability for various particle distributions is a machine learning method that approximates velocity and pressure in a spatial domain using neural networks. The neural particle method has been extended to viscous flows, but until now it has been limited to incompressible flows. In this paper, we propose the compressible neural particle method, which is a new feed-forward neural network-based method that extends the original neural particle method to model compressible viscous fluid flows. The proposed method uses neural networks to calculate the velocity and pressure of fluid particles at the next time step, and the Tait equation to calculate the density to handle the compressibility. The loss function is composed of the governing equations of compressible flow and the boundary conditions, which are free surface and solid boundary conditions. We demonstrate that the proposed method can accurately solve the compressible viscous fluid flow, a problem that was difficult to solve with the smoothed particle hydrodynamics method, by applying it to a dam breaking problem.
• Abstract（参考訳）: 粒子法は計算流体力学において重要な役割を担っているが、これらは実装し解くのが最も困難である。 最も一般的な方法はスムーズな粒子流体力学であり、津波やダム破壊のような大きな変形を含む問題設定に適している。 しかし、計算は粒子の分布によって不安定になる可能性がある。 対照的に、様々な粒子分布に対して高い計算安定性を持つニューラル粒子法は、ニューラルネットワークを用いて空間領域の速度と圧力を近似する機械学習法である。 ニューラル粒子法は粘性流れにまで拡張されているが、これまでは非圧縮性流れに限られていた。 本稿では,圧縮性粘性流体をモデル化するために,従来のニューラル粒子法を拡張した新しいフィードフォワードニューラルネットワーク方式である圧縮性ニューラル粒子法を提案する。 提案手法はニューラルネットワークを用いて次のステップで流体粒子の速度と圧力を計算する。 損失関数は、圧縮性流れの制御方程式と、自由表面および固体境界条件である境界条件から構成される。 本手法は, 平滑化粒子流体力学法で解くのが困難であった圧縮粘性流体を, ダム破壊問題に適用することにより, 正確に解けることを示す。

関連論文リスト

• Contactless Precision Steering of Particles in a Fluid inside a Cube with Rotating Walls [1.3225694028747141]
  本研究では,複数粒子の流れを制御できる新しい制御アルゴリズムを提案する。 このシステムは回転ディスクを使用して、粒子を正確な場所に輸送する流れ場を生成する。
  論文  参考訳（メタデータ） (2025-06-19T01:56:54Z)
• A Variational Computational-based Framework for Unsteady Incompressible Flows [0.0]
  流体力学問題の解法として変分法を用いる別の計算フレームワークを提案する。 第一に、非圧縮性流れにおける圧力-速度結合の慢性的な問題を回避している。 第二に、この手法はアウトフロー境界における非物理的仮定に依存しない。
  論文  参考訳（メタデータ） (2024-12-07T03:45:39Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Deep Random Vortex Method for Simulation and Inference of Navier-Stokes Equations [69.5454078868963]
  ナビエ・ストークス方程式(Navier-Stokes equation)は、液体や空気などの流体の運動を記述する重要な偏微分方程式である。 AI技術の発展に伴い、非圧縮性ナビエ・ストークス方程式によって支配される流体力学をシミュレーションし、推論するために、ディープニューラルネットワークを統合するためにいくつかのアプローチが設計された。 本研究では,ニューラルネットワークとNavier-Stokes方程式に相当するランダム渦力学系を組み合わせたemphDeep Random Vortex Method (DRVM)を提案する。
  論文  参考訳（メタデータ） (2022-06-20T04:58:09Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Large-Scale Wasserstein Gradient Flows [84.73670288608025]
  ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。 我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。 その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
  論文  参考訳（メタデータ） (2021-06-01T19:21:48Z)
• Neural Vortex Method: from Finite Lagrangian Particles to Infinite Dimensional Eulerian Dynamics [16.563723810812807]
  ニューラル渦法(Neural Vortex Method, NVM)を提案する。 NVMはラグランジアン渦構造とその相互作用力学をニューラルネットワークで記述する。 これら2つのネットワークを渦対速度ポアソン解法で埋め込むことで、正確な流体力学を予測できる。
  論文  参考訳（メタデータ） (2020-06-07T15:12:25Z)

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。