論文の概要: ChannelFlow-Tools: A Standardized Dataset Creation Pipeline for 3D Obstructed Channel Flows

• arxiv url: http://arxiv.org/abs/2509.15236v1
• Date: Wed, 17 Sep 2025 13:18:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.805567
• Title: ChannelFlow-Tools: A Standardized Dataset Creation Pipeline for 3D Obstructed Channel Flows
• Title（参考訳）: ChannelFlow-Tools: 3D障害物チャネルフローのための標準化されたデータセット作成パイプライン
• Authors: Shubham Kavane, Kajol Kulkarni, Harald Koestler,
• Abstract要約: ChannelFlow-ToolsはCADソリッドジェネレーションからML対応入力およびターゲットまでのエンドツーエンドパスを標準化する構成駆動フレームワークである。 単一のHydra/OmegaConf構成はすべてのステージを制御し、決定論的複製と制御されたアブレーションを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ChannelFlow-Tools, a configuration-driven framework that standardizes the end-to-end path from programmatic CAD solid generation to ML-ready inputs and targets for 3D obstructed channel flows. The toolchain integrates geometry synthesis with feasibility checks, signed distance field (SDF) voxelization, automated solver orchestration on HPC (waLBerla LBM), and Cartesian resampling to co-registered multi-resolution tensors. A single Hydra/OmegaConf configuration governs all stages, enabling deterministic reproduction and controlled ablations. As a case study, we generate 10k+ scenes spanning Re=100-15000 with diverse shapes and poses. An end-to-end evaluation of storage trade-offs directly from the emitted artifacts, a minimal 3D U-Net at 128x32x32, and example surrogate models with dataset size illustrate that the standardized representations support reproducible ML training. ChannelFlow-Tools turns one-off dataset creation into a reproducible, configurable pipeline for CFD surrogate modeling.
• Abstract（参考訳）: 本稿では,ChannelFlow-Toolsについて述べる。ChannelFlow-Toolsは,プログラムCADソリッドジェネレーションからML対応インプットへのエンドツーエンドパスを標準化する,構成駆動型フレームワークである。 このツールチェーンは、ジオメトリ合成とフィジビリティチェック、署名された距離場(SDF)のボキセル化、HPC(waLBerla LBM)上の自動ソルバオーケストレーション、そしてCartesian resamplingと共登録されたマルチレゾリューションテンソルを統合する。 単一のHydra/OmegaConf構成はすべてのステージを制御し、決定論的複製と制御されたアブレーションを可能にする。 ケーススタディでは、Re=100-15000にまたがる10k以上のシーンを、多様な形状とポーズで生成する。 出力されたアーティファクトから直接のストレージトレードオフのエンドツーエンド評価、128x32x32の最小3D U-Net、データセットサイズのサロゲートモデルの例は、標準化された表現が再現可能なMLトレーニングをサポートすることを示している。 ChannelFlow-Toolsは、データセットのワンオフ生成を、CFDサロゲートモデリングのための再現可能な、構成可能なパイプラインに変換する。

関連論文リスト

• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• INRFlow: Flow Matching for INRs in Ambient Space [6.911507447184487]
  フローマッチングモデルは、まずデータ圧縮機を訓練し、その後、データ圧縮機の潜在空間でフローマッチング生成モデルを訓練する。 この2段階のパラダイムは、データドメイン全体にわたってモデルを統一するための障害を設定する。 InRFlowは、周辺空間で直接フローマッチング変換器を学習するためのドメインに依存しないアプローチである。
  論文  参考訳（メタデータ） (2024-12-05T01:00:07Z)
• FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries [19.15738125919099]
  FlowBenchは10K以上のサンプルを持つニューラルシミュレータ用のデータセットである。 FlowBenchは、複雑な幾何学、結合フロー現象、およびニューラルPDEソルバの性能に関するデータ十分性の間の相互作用を評価することができる。
  論文  参考訳（メタデータ） (2024-09-26T16:38:48Z)
• DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
  本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。 本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-01-15T09:31:58Z)
• Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
  アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。 提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
  論文  参考訳（メタデータ） (2022-03-15T21:32:44Z)
• An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for Extended Domains applied to Multiphase Flow in Pipes [0.0]
  ドメイン分解フレームワーク内で,AIをベースとした非侵襲的低次モデルを提案する。 トレーニングで使用するドメインよりもはるかに大きなドメインの予測を行うことができる。 高忠実度CFDシミュレーションでAI-DDNIROMを訓練した水平管内の多相スラグ流に適用した。
  論文  参考訳（メタデータ） (2022-02-13T00:32:17Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)
• Data-Driven Deep Learning to Design Pilot and Channel Estimator For Massive MIMO [2.2188785994930043]
  広帯域マルチインプット多重出力(MIMO)システムのためのパイロット信号とチャネル推定器を協調設計するためのデータ駆動型ディープラーニング手法を提案する。 具体的には、次元減少ネットワークと再構成ネットワークからなるエンドツーエンドのディープニューラルネットワークアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-03-12T16:09:48Z)

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。