論文の概要: RheOFormer: A generative transformer model for simulation of complex fluids and flows

• arxiv url: http://arxiv.org/abs/2510.01365v1
• Date: Wed, 01 Oct 2025 18:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.232131
• Title: RheOFormer: A generative transformer model for simulation of complex fluids and flows
• Title（参考訳）: RheOFormer:複雑な流体と流れのシミュレーションのための生成トランスモデル
• Authors: Maedeh Saberi, Amir Barati Farimani, Safa Jamali,
• Abstract要約: レオロジー演算子変換器(RheoFormer, RheOFormer)は、自己注意を利用して複雑な流体の流れの異なる空間的相互作用や特徴を効率的に学習する生成的演算子学習法である。 その結果、RheOFormerは、限られたデータセットで訓練しても、複雑な流体のスカラーとテンソルの非線形力学の両方を正確に学習できることが示されている。
• 参考スコア（独自算出の注目度）: 10.21291474099901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to model mechanics of soft materials under flowing conditions is key in designing and engineering processes and materials with targeted properties. This generally requires solution of internal stress tensor, related to the deformation tensor through nonlinear and history-dependent constitutive models. Traditional numerical methods for non-Newtonian fluid dynamics often suffer from prohibitive computational demands and poor scalability to new problem instances. Developments in data-driven methods have mitigated some limitations but still require retraining across varied physical conditions. In this work, we introduce Rheological Operator Transformer (RheOFormer), a generative operator learning method leveraging self-attention to efficiently learn different spatial interactions and features of complex fluid flows. We benchmark RheOFormer across a range of different viscometric and non-viscometric flows with different types of viscoelastic and elastoviscoplastic mechanics in complex domains against ground truth solutions. Our results demonstrate that RheOFormer can accurately learn both scalar and tensorial nonlinear mechanics of different complex fluids and predict the spatio-temporal evolution of their flows, even when trained on limited datasets. Its strong generalization capabilities and computational efficiency establish RheOFormer as a robust neural surrogate for accelerating predictive complex fluid simulations, advancing data-driven experimentation, and enabling real-time process optimization across a wide range of applications.
• Abstract（参考訳）: 流動条件下での軟質材料の力学をモデル化する能力は、設計・工学プロセスや標的となる特性を持つ材料において重要である。 これは一般に、非線形および履歴に依存した構成モデルを通して変形テンソルに関連する内部応力テンソルの解を必要とする。 非ニュートン流体力学の従来の数値法は、新しい問題インスタンスに対する計算要求の禁止とスケーラビリティの低下に悩まされることが多い。 データ駆動手法の開発はいくつかの制限を緩和してきたが、それでも様々な物理的条件をまたいで再訓練する必要がある。 本稿では, 自己注意を利用して複雑な流体の流れの異なる空間的相互作用や特徴を効率的に学習する生成的演算子学習手法であるレオロジー演算子変換器(RheOFormer)を紹介する。 我々はRheOFormerを、様々な種類の粘弾性およびエラストビスコプラスティック力学を持つ様々な粘度および非粘度流に対して、複素領域における基底真理解に対してベンチマークする。 その結果、RheOFormerは複雑な流体のスカラーとテンソルの非線形力学の両方を正確に学習でき、限られたデータセットで訓練しても流れの時空間的変化を予測できることがわかった。 その強力な一般化能力と計算効率は、RheOFormerを、予測複雑な流体シミュレーションを加速し、データ駆動実験を推進し、幅広いアプリケーションにわたるリアルタイムプロセス最適化を可能にする、堅牢なニューラルネットワークサロゲートとして確立する。

関連論文リスト

• Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
  本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。 提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
  論文  参考訳（メタデータ） (2024-05-31T20:05:17Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• 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)
• Scientific Machine Learning for Modeling and Simulating Complex Fluids [0.0]
  レオロジー方程式は複雑な流体の内部応力と変形を関連づける。 データ駆動モデルは、高価な第一原理モデルに代わる、アクセス可能な代替手段を提供する。 複素流体の類似モデルの開発が遅れている。
  論文  参考訳（メタデータ） (2022-10-10T04:35:31Z)
• Evolution TANN and the discovery of the internal variables and evolution equations in solid mechanics [0.0]
  材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。 熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。 提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
  論文  参考訳（メタデータ） (2022-09-27T09:25:55Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• 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)

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。