論文の概要: A Flow-rate-conserving CNN-based Domain Decomposition Method for Blood Flow Simulations

• arxiv url: http://arxiv.org/abs/2509.15900v1
• Date: Fri, 19 Sep 2025 11:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.151645
• Title: A Flow-rate-conserving CNN-based Domain Decomposition Method for Blood Flow Simulations
• Title（参考訳）: 血流シミュレーションのためのフローレート保存型CNNドメイン分解法
• Authors: Simon Klaes, Axel Klawonn, Natalie Kubicki, Martin Lanser, Kengo Nakajima, Takashi Shimokawabe, Janine Weber,
• Abstract要約: 本研究の目的は、畳み込みニューラルネットワーク(CNN)サロゲートモデルを用いて、狭窄動脈の非ニュートン粘性による血流を予測することである。 CNNに基づくサブドメインソルバを用いた交互シュワルツ領域分解法を提案する。 ユニバーサルサブドメインソルバ(USDS)は1つの固定幾何に基づいて訓練され、シュワルツ法で各サブドメインソルバに適用される。
• 参考スコア（独自算出の注目度）: 0.3518016233072556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work aims to predict blood flow with non-Newtonian viscosity in stenosed arteries using convolutional neural network (CNN) surrogate models. An alternating Schwarz domain decomposition method is proposed which uses CNN-based subdomain solvers. A universal subdomain solver (USDS) is trained on a single, fixed geometry and then applied for each subdomain solve in the Schwarz method. Results for two-dimensional stenotic arteries of varying shape and length for different inflow conditions are presented and statistically evaluated. One key finding, when using a limited amount of training data, is the need to implement a USDS which preserves some of the physics, as, in our case, flow rate conservation. A physics-aware approach outperforms purely data-driven USDS, delivering improved subdomain solutions and preventing overshooting or undershooting of the global solution during the Schwarz iterations, thereby leading to more reliable convergence.
• Abstract（参考訳）: 本研究の目的は、畳み込みニューラルネットワーク(CNN)サロゲートモデルを用いて、狭窄動脈の非ニュートン粘性による血流を予測することである。 CNNに基づくサブドメインソルバを用いた交互シュワルツ領域分解法を提案する。 ユニバーサルサブドメインソルバ(USDS)は1つの固定幾何に基づいて訓練され、シュワルツ法で各サブドメインソルバに適用される。 異なる流入条件における形状, 長さの異なる2次元狭窄動脈について, 統計的に検討した。 1つの重要な発見は、限られた量のトレーニングデータを使用する場合、この場合、流量保存のように物理の一部を保存するUSDSを実装する必要があることである。 物理学を意識したアプローチは純粋にデータ駆動型USDSよりも優れており、改良されたサブドメインソリューションを提供し、シュワルツイテレーション中にグローバルソリューションのオーバーシュートやアンダーシュートを防ぎ、より信頼性の高い収束をもたらす。

関連論文リスト

• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Enhancing Data-Assimilation in CFD using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワーク(GNN)モデルによる随伴最適化に基づく,流体力学に応用されたデータ同化のための新しい機械学習手法を提案する。 我々は,有限要素法(FEM)の解法に基づく直接数値シミュレーションを用いて,GNNモデルと解法の間の2次元のインターフェースにより,GNNの予測をFEM解析の処理後ステップに組み込むことができることを示す。
  論文  参考訳（メタデータ） (2023-11-29T19:11:40Z)
• Implicit regularization of deep residual networks towards neural ODEs [8.075122862553359]
  我々は、ニューラルネットワークに対する深い残留ネットワークの暗黙的な正規化を確立する。 ネットワークがニューラルなODEの離散化であるなら、そのような離散化はトレーニングを通して維持される。
  論文  参考訳（メタデータ） (2023-09-03T16:35:59Z)
• A Generalized Schwarz-type Non-overlapping Domain Decomposition Method using Physics-constrained Neural Networks [0.9137554315375919]
  ニューラルネットワークに基づくメッシュレスシュワルツ型非重複領域分解を提案する。 この方法は、ラプラス方程式とヘルムホルツ方程式の両方に適用できる。
  論文  参考訳（メタデータ） (2023-07-23T21:18:04Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• An application of the splitting-up method for the computation of a neural network representation for the solution for the filtering equations [68.8204255655161]
  フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。 フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。 我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
  論文  参考訳（メタデータ） (2022-01-10T11:01:36Z)
• Bilevel Online Adaptation for Out-of-Domain Human Mesh Reconstruction [94.25865526414717]
  本稿では,事前に訓練されたヒトメッシュ再構築モデルをドメイン外ストリーミングビデオに適応させるという新たな問題を検討する。 重みプローブと重み更新の2つのステップに全体多対象の最適化プロセスを分割するBilevel Online Adaptationを提案します。 BOAが2つのヒューマンメッシュ再構築ベンチマークで最先端の結果をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-03-30T15:47:58Z)

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。