論文の概要: Multi-Stage Graph Neural Networks for Data-Driven Prediction of Natural Convection in Enclosed Cavities

• arxiv url: http://arxiv.org/abs/2509.06041v1
• Date: Sun, 07 Sep 2025 13:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.831237
• Title: Multi-Stage Graph Neural Networks for Data-Driven Prediction of Natural Convection in Enclosed Cavities
• Title（参考訳）: 閉空洞内自然対流のデータ駆動予測のための多段階グラフニューラルネットワーク
• Authors: Mohammad Ahangarkiasari, Hassan Pouraria,
• Abstract要約: グラフニューラルネットワーク(GNN)は、シミュレーションデータから直接熱流体挙動を学ぶための新しい代替手段を提供する。 本稿では,階層的なプールとアンプール操作を利用してグローバル-ローカル相互作用を段階的にモデル化する,新しい多段階GNNアーキテクチャを提案する。 実験により,提案モデルにより予測精度が向上し,訓練効率が向上し,長期誤差の蓄積が減少した。
• 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: Buoyancy-driven heat transfer in closed cavities serves as a canonical testbed for thermal design High-fidelity CFD modelling yields accurate thermal field solutions, yet its reliance on expert-crafted physics models, fine meshes, and intensive computation limits rapid iteration. Recent developments in data-driven modeling, especially Graph Neural Networks (GNNs), offer new alternatives for learning thermal-fluid behavior directly from simulation data, particularly on irregular mesh structures. However, conventional GNNs often struggle to capture long-range dependencies in high-resolution graph structures. To overcome this limitation, we propose a novel multi-stage GNN architecture that leverages hierarchical pooling and unpooling operations to progressively model global-to-local interactions across multiple spatial scales. We evaluate the proposed model on our newly developed CFD dataset simulating natural convection within a rectangular cavities with varying aspect ratios where the bottom wall is isothermal hot, the top wall is isothermal cold, and the two vertical walls are adiabatic. Experimental results demonstrate that the proposed model achieves higher predictive accuracy, improved training efficiency, and reduced long-term error accumulation compared to state-of-the-art (SOTA) GNN baselines. These findings underscore the potential of the proposed multi-stage GNN approach for modeling complex heat transfer in mesh-based fluid dynamics simulations.
• Abstract（参考訳）: 閉じたキャビティにおける浮力駆動熱伝達は、熱設計のための標準的なテストベッドとして機能し、高忠実CFDモデリングは正確な熱場解をもたらすが、専門家による物理モデル、微細メッシュ、集中計算に依存するため、迅速なイテレーションが制限される。 データ駆動モデリングの最近の発展、特にグラフニューラルネットワーク(GNN)は、シミュレーションデータ、特に不規則メッシュ構造から直接熱流体挙動を学ぶための新しい代替手段を提供する。 しかし、従来のGNNは高分解能グラフ構造における長距離依存を捉えるのに苦労することが多い。 この制限を克服するために、階層的なプーリングとアンプール操作を利用して、複数の空間スケールにわたるグローバル-ローカル相互作用を段階的にモデル化する、新しい多段階GNNアーキテクチャを提案する。 提案手法は, 底壁が等温熱水, 上壁が等温冷水, 2つの垂直壁が断熱性を有する長方形キャビティ内における自然対流を模擬したCFDデータセットを用いて検討した。 実験結果から,提案モデルにより予測精度が向上し,訓練効率が向上し,長期誤差の蓄積が抑えられることがわかった。 これらの結果は,メッシュに基づく流体力学シミュレーションにおいて,複雑な熱伝達をモデル化するための多段階GNN手法の可能性を示している。

関連論文リスト

• A Physics-Informed Convolutional Long Short Term Memory Statistical Model for Fluid Thermodynamics Simulations [0.0]
  流体熱力学の直接数値シミュレーションは計算的に禁止されている。 本稿では、対流の標準例であるRBCの物理インフォームドアーキテクチャを提案する。 推論は、解釈可能性を確保するために、支配的偏微分方程式に対して罰せられる。
  論文  参考訳（メタデータ） (2025-05-16T06:47:00Z)
• Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
  複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。 国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。 我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T16:25:43Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
  データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。 CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。 グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
  論文  参考訳（メタデータ） (2023-07-10T09:59:35Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• 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。