論文の概要: Analysis of accuracy and efficiency of neural networks to simulate Navier-Stokes fluid flows with obstacles

• arxiv url: http://arxiv.org/abs/2510.22976v1
• Date: Mon, 27 Oct 2025 03:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:22.000781
• Title: Analysis of accuracy and efficiency of neural networks to simulate Navier-Stokes fluid flows with obstacles
• Title（参考訳）: 障害物を伴うナビエ-ストークス流体のシミュレーションのためのニューラルネットワークの精度と効率の解析
• Authors: Rui Hespanha, Elliot McGuire, João Hespanha,
• Abstract要約: ランダムな障害物重畳環境下で非圧縮性流体をシミュレーションするニューラルネットワークの実現可能性について検討した。 選択したニューラルネットワークは,従来のシミュレーションよりも約8,800倍高速に流れを予測できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional fluid simulations can be time consuming and energy intensive. We researched the viability of a neural network for simulating incompressible fluids in a randomized obstacle-heavy environment, as an alternative to the numerical simulation of the Navier-Stokes equation. We hypothesized that the neural network predictions would have a relatively low error for simulations over a small number of time steps, but errors would eventually accumulate to the point that the output would become very noisy. Over a rich set of obstacle configurations, we achieved a root mean square error of 0.32% on our training dataset and 0.36% on a testing dataset. These errors only grew to 1.45% and 2.34% at t = 10 and, 2.11% and 4.16% at timestep t = 20. We also found that our selected neural network was approximately 8,800 times faster at predicting the flow than a conventional simulation. Our findings indicate neural networks can be extremely useful at simulating fluids in obstacle-heavy environments. Useful applications include modeling forest fire smoke, pipe fluid flow, and underwater/flood currents.
• Abstract（参考訳）: 従来の流体シミュレーションは時間を消費し、エネルギーを集中的に消費する。 本研究では,Navier-Stokes方程式の数値シミュレーションの代替として,ランダムな障害物重環境下で非圧縮性流体をシミュレーションするニューラルネットワークの実現可能性について検討した。 ニューラルネットワークの予測は、少数の時間ステップでシミュレーションの誤差が比較的低いだろうと仮定したが、最終的には、出力が非常にノイズになるポイントまでエラーが蓄積されるだろう。 豊富な障害設定で、トレーニングデータセットでは0.32%、テストデータセットでは0.36%のルート平均2乗誤差を達成しました。 これらの誤差は、t = 10で1.45%、t = 20で2.34%、タイムステップで2.11%、および4.16%にしか増加しなかった。 また、選択したニューラルネットワークは従来のシミュレーションの約8800倍の速さで流れを予測できた。 その結果,ニューラルネットワークは障害物の多い環境下での流体のシミュレーションに極めて有用であることが示唆された。 有効な応用例としては、森林火災煙、管流、水中・海底流のモデリングがある。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• A Pioneering Neural Network Method for Efficient and Robust Fluid Simulation [4.694954114339147]
  本研究では,複雑な環境下での流体シミュレーションを効率的かつ堅牢に行うために設計された,最初のニューラルネットワーク手法を提案する。 このモデルは、そのような複雑なシナリオで流体粒子力学を安定にモデル化できる最初のモデルでもある。 既存のニューラルネットワークに基づく流体シミュレーションアルゴリズムと比較して、高速な計算速度を維持しながら精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2024-12-14T08:31:56Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Model-assisted deep learning of rare extreme events from partial observations [0.0]
  ディープニューラルネットワークを使って稀な極端な事象を予測するには、いわゆる小さなデータ問題に遭遇する。 本稿では,数値シミュレーションからトレーニングデータを取得するモデル支援フレームワークについて検討する。 長い短期記憶ネットワークはノイズに対して最も頑丈であり、比較的正確な予測が得られる。
  論文  参考訳（メタデータ） (2021-11-04T23:24:22Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation [9.576796509480445]
  モデル生成とアプリケーションを自動化するフレームワークであるSmartfluidnetを紹介します。 Smartfluidnetはシミュレーションの前に複数のニューラルネットワークを生成し、実行時間とシミュレーション品質要件を満たす。 We show that Smartfluidnet achieve a 1.46x and 590x speedup compared with a state-of-the-art neural network model and the original fluid Simulation。
  論文  参考訳（メタデータ） (2020-08-26T21:44:44Z)
• Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast, Differentiable Fluid Models that Generalize [7.707887663337803]
  最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。 本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。 トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
  論文  参考訳（メタデータ） (2020-06-15T20:59:28Z)
• ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
  多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。 流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。 畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
  論文  参考訳（メタデータ） (2020-04-22T01:55:59Z)

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。