論文の概要: Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics

• arxiv url: http://arxiv.org/abs/2509.24264v1
• Date: Mon, 29 Sep 2025 04:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.741675
• Title: Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics
• Title（参考訳）: Smoothed Particle Dynamicdynamics を用いた一般化ニュートン流体中の自由表面ダイナミクスのグラフベース学習
• Authors: Hyo-Jin Kim, Jaekwang Kim, Hyung-Jun Park,
• Abstract要約: 非ニュートン流体の流動挙動を効率的に予測するグラフニューラルネットワーク(GNN)モデルを提案する。 粘度が一定であるニュートン流体の伝統的なアルゴリズムは、非ニュートンの場合に適用した場合に収束する。 我々は,非ニュートンパワー・ロー流体シミュレーションの計算効率を向上させるために,GNNに基づく新しい数値モデルを提案する。
• 参考スコア（独自算出の注目度）: 3.712898298472801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we propose a graph neural network (GNN) model for efficiently predicting the flow behavior of non-Newtonian fluids with free surface dynamics. The numerical analysis of non-Newtonian fluids presents significant challenges, as traditional algorithms designed for Newtonian fluids with constant viscosity often struggle to converge when applied to non-Newtonian cases, where rheological properties vary dynamically with flow conditions. Among these, power-law fluids exhibit viscosity that decreases exponentially as the shear rate increases, making numerical simulations particularly difficult. The complexity further escalates in free surface flow scenarios, where computational challenges intensify. In such cases, particle-based methods like smoothed particle hydrodynamics (SPH) provide advantages over traditional grid-based techniques, such as the finite element method (FEM). Building on this approach, we introduce a novel GNN-based numerical model to enhance the computational efficiency of non-Newtonian power-law fluid flow simulations. Our model is trained on SPH simulation data, learning the effects of particle accelerations in the presence of SPH interactions based on the fluid's power-law parameters. The GNN significantly accelerates computations while maintaining reliable accuracy in benchmark tests, including dam-break and droplet impact simulations. The results underscore the potential of GNN-based simulation frameworks for efficiently modeling non-Newtonian fluid behavior, paving the way for future advancements in data-driven fluid simulations.
• Abstract（参考訳）: 本研究では,非ニュートン流体の流動挙動を自由表面ダイナミクスで効率的に予測するグラフニューラルネットワーク(GNN)モデルを提案する。 非ニュートン流体の数値解析は、粘度が一定であるニュートン流体のために設計された伝統的なアルゴリズムは、非ニュートン流体に適用された場合、しばしば収束するのに苦労するので、レオロジー特性は流動条件によって動的に変化する。 これらのうち、せん断速度の増加に伴って指数関数的に減少する粘性を示すため、数値シミュレーションは特に困難である。 この複雑さは、計算上の課題が増大する自由表面流れのシナリオにおいてさらにエスカレートする。 そのような場合、滑らかな粒子流体力学(SPH)のような粒子法は、有限要素法(FEM)のような従来の格子法よりも有利である。 提案手法は,非ニュートンパワーロー流体シミュレーションの計算効率を向上させるため,GNNに基づく新しい数値モデルを提案する。 本モデルは,SPHシミュレーションデータに基づいて,流体のパワー則パラメータに基づくSPH相互作用の存在下での粒子加速の影響を学習する。 GNNは、ダム破砕や液滴衝突シミュレーションを含むベンチマークテストにおいて、信頼性を維持しながら計算を著しく高速化する。 この結果は、非ニュートン流体の挙動を効率的にモデル化するためのGNNベースのシミュレーションフレームワークの可能性を強調し、データ駆動流体シミュレーションの今後の進歩への道を開いた。

関連論文リスト

• Floating-Body Hydrodynamic Neural Networks [8.501171043928354]
  本研究では, 方向付加質量, ドラッグ係数, 流路関数に基づく流れなどの解釈可能なパラメータを予測し, 解析的な運動方程式と結合する物理構造フレームワークを提案する。 ハミルトンニューラルネットワークやラグランジアンニューラルネットワークと比較して、FHNNは、ブラックボックス学習と透明システム識別のギャップを埋める解釈可能性を維持しながら、散逸ダイナミクスをより効果的に扱う。
  論文  参考訳（メタデータ） (2025-09-17T07:51:35Z)
• Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows [4.798951413107239]
  本稿では,グラフニューラルネットワーク(GNN)とアテンションに基づく自己回帰モデルを活用したグラフベース効果的ダイナミクス学習(Graph-LED)を提案する。 本研究では,シリンダーを過ぎる流れや,レイノルズ数の範囲の後方方向のステップを流れる流れなど,流体力学の一連の問題に対する提案手法を評価する。
  論文  参考訳（メタデータ） (2025-02-11T22:14:30Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
  平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。 シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。 本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
  論文  参考訳（メタデータ） (2024-02-09T09:40:12Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• 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)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• 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)
• Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
  我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。 PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。 PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
  論文  参考訳（メタデータ） (2020-08-26T20:41:36Z)

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。