論文の概要: Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin

• arxiv url: http://arxiv.org/abs/2509.04463v1
• Date: Thu, 28 Aug 2025 16:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-14 20:41:04.88672
• Title: Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin
• Title（参考訳）: 乱流予測のためのマルチスケールグラフニューラルネットワーク -複素形状ピンフィンまわりの温度予測-
• Authors: Riddhiman Raut, Evan M. Mihalko, Amrita Basak,
• Abstract要約: 本研究では, 定常, 乱流, 熱的挙動を予測できる領域認識型マルチスケールグラフニューラルネットワークの開発について述べる。 ネットワークは、境界層、再循環、およびピンフィンの上流の停滞領域を精度良く予測し、壁時間を2～3桁削減した。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study presents the development of a domain-responsive edge-aware multiscale Graph Neural Network for predicting steady, turbulent flow and thermal behavior in a two-dimensional channel containing arbitrarily shaped complex pin-fin geometries. The training dataset was constructed through an automated framework that integrated geometry generation, meshing, and flow-field solutions in ANSYS Fluent. The pin-fin geometry was parameterized using piecewise cubic splines, producing 1,000 diverse configurations through Latin Hypercube Sampling. Each simulation was converted into a graph structure, where nodes carried a feature vector containing spatial coordinates, a normalized streamwise position, one-hot boundary indicators, and a signed distance to the nearest boundary such as wall. This graph structure served as input to the newly developed Graph Neural Network, which was trained to predict temperature, velocity magnitude, and pressure at each node using data from ANSYS. The network predicted fields with outstanding accuracy, capturing boundary layers, recirculation, and the stagnation region upstream of the pin-fins while reducing wall time by 2-3 orders of magnitude. In conclusion, the novel graph neural network offered a fast and reliable surrogate for simulations in complex flow configurations.
• Abstract（参考訳）: 本研究では, 任意の形状の複素ピンフィン測地を含む2次元チャネルにおいて, 定常, 乱流, 熱的挙動を予測できる領域応答型エッジ対応多スケールグラフニューラルネットワークの開発について述べる。 トレーニングデータセットは、ANSYS Fluentでジオメトリ生成、メッシュ化、フローフィールドソリューションを統合する自動化フレームワークを使用して構築された。 ピンフィン幾何学は断片的に立方体のスプラインを用いてパラメータ化され、ラテン・ハイパーキューブ・サンプリングを通して1,000の多様な構成を生み出した。 各シミュレーションはグラフ構造に変換され、ノードは空間座標、正規化ストリームワイド位置、一ホット境界指標、壁などの最も近い境界への符号付き距離を含む特徴ベクトルを担った。 このグラフ構造は新しく開発されたグラフニューラルネットワークの入力として機能し、ANSYSのデータを用いて各ノードの温度、速度、圧力を予測するように訓練された。 ネットワークは、境界層、再循環、およびピンフィンの上流の停滞領域を精度良く予測し、壁時間を2～3桁削減した。 結論として、新しいグラフニューラルネットワークは、複雑なフロー構成のシミュレーションのための高速で信頼性の高いサロゲートを提供する。

関連論文リスト

• PIORF: Physics-Informed Ollivier-Ricci Flow for Long-Range Interactions in Mesh Graph Neural Networks [23.97389618896843]
  本稿では,物理相関とグラフトポロジを結合した新しいリウィリング法であるPhysical-Informed Ollivier-Ricci Flow (PIORF)を提案する。 PIORFはベースラインモデルと既存のリワイア法を一貫して上回り、最大26.2の改善を実現している。
  論文  参考訳（メタデータ） (2025-04-05T04:14:05Z)
• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations [4.984601297028257]
  ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。 本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。 本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
  論文  参考訳（メタデータ） (2022-12-30T04:10:01Z)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Predicting the flow field in a U-bend with deep neural networks [0.0]
  本稿では計算流体力学(CFD)と深部ニューラルネットワークに基づく,異なる歪んだU字管内の流れ場を予測することを目的とした研究について述べる。 この研究の主な動機は、流体力学的船体最適化プロセスにおけるディープラーニングパラダイムの正当化に関する洞察を得ることであった。
  論文  参考訳（メタデータ） (2020-10-01T09:03:02Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。