論文の概要: Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks

• arxiv url: http://arxiv.org/abs/2512.04434v1
• Date: Thu, 04 Dec 2025 04:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.979826
• Title: Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
• Title（参考訳）: 演算子ネットワークを用いた複雑地形上の時間依存性流れの予測
• Authors: Ali Rabeh, Suresh Murugaiyan, Adarsh Krishnamurthy, Baskar Ganapathysubramanian,
• Abstract要約: 幾何を考慮したDeep Operator Networkは、適度なRe流の速度場を予測する。 ホールドアウト形状では、相対的なL2単一ステップエラーとして$sim 5%$、CFD上で最大1000倍のスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 5.074256535509654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast, geometry-generalizing surrogates for unsteady flow remain challenging. We present a time-dependent, geometry-aware Deep Operator Network that predicts velocity fields for moderate-Re flows around parametric and non-parametric shapes. The model encodes geometry via a signed distance field (SDF) trunk and flow history via a CNN branch, trained on 841 high-fidelity simulations. On held-out shapes, it attains $\sim 5\%$ relative L2 single-step error and up to 1000X speedups over CFD. We provide physics-centric rollout diagnostics, including phase error at probes and divergence norms, to quantify long-horizon fidelity. These reveal accurate near-term transients but error accumulation in fine-scale wakes, most pronounced for sharp-cornered geometries. We analyze failure modes and outline practical mitigations. Code, splits, and scripts are openly released at: https://github.com/baskargroup/TimeDependent-DeepONet to support reproducibility and benchmarking.
• Abstract（参考訳）: 高速で幾何学的に一般化された非定常流のサロゲートは依然として困難である。 パラメトリックおよび非パラメトリック形状のまわりの適度なRe流の速度場を予測するための時間依存型幾何型Deep Operator Networkを提案する。 このモデルは、符号付き距離場(SDF)トランクとCNNブランチによるフロー履歴を符号化し、841の高忠実度シミュレーションに基づいて訓練する。 ホールドアウト形状では、相対的なL2単一ステップエラーが$\sim 5\%、CFD上で最大1000倍のスピードアップを達成した。 本研究では,プローブの位相誤差や発散規範を含む物理中心のロールアウト診断を行い,長い水平フィリティの定量化を行う。 これらは正確な短期的過渡性を示すが、精密なウェイクでは誤差が蓄積され、最も顕著なのは鋭い角化地平線である。 フェールモードを分析し、実用的な軽減策を概説する。 コード、スプリット、スクリプトは、https://github.com/baskargroup/TimeDependent-DeepONetで公開され、再現性とベンチマークをサポートする。

関連論文リスト

• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• 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)
• Generative prediction of flow fields around an obstacle using the diffusion model [12.094115138998745]
  本稿では,障害物まわりの流れ場を予測するために,障害物形状を入力として利用する幾何学的-フロー拡散モデルを提案する。 マルコフ過程は障害物形状に条件付けされ、各ステップで除去されるノイズを推定する。 我々は、円、楕円、長方形、三角形を含む単純な障害物を取り巻く流れのデータセットを用いて、幾何学と流れの拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-06-30T15:48:57Z)
• Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework [0.7223509567556214]
  本研究では,深層学習を用いたシミュレーションの品質向上により,流体力学問題の空間的離散化誤差を低減する手法を提案する。 我々は、粗いグリッドの離散化に投射した後、細粒度のデータでモデルをフィードする。 我々は、セル中心からフェイス値への速度を補間するフィードフォワードニューラルネットワークにより、対流項のデフォルトの差分スキームを置換し、ダウンサンプリングされた微細グリッドデータをよく近似する速度を生成する。
  論文  参考訳（メタデータ） (2024-05-13T02:59:50Z)
• Deep Surrogate for Direct Time Fluid Dynamics [44.62475518267084]
  グラフニューラルネットワーク(GNN)は、CFDシミュレーションで一般的に使用される不規則メッシュの特異性に対処することができる。 我々は、不規則メッシュのための新しい直接時間GNNアーキテクチャを設計するために、現在進行中の作業を示す。
  論文  参考訳（メタデータ） (2021-12-16T10:08:20Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• 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)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。