論文の概要: Efficient temporal prediction of compressible flows in irregular domains using Fourier neural operators

• arxiv url: http://arxiv.org/abs/2601.01922v1
• Date: Mon, 05 Jan 2026 09:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.933398
• Title: Efficient temporal prediction of compressible flows in irregular domains using Fourier neural operators
• Title（参考訳）: フーリエニューラル演算子を用いた不規則領域における圧縮性流れの効率的な時間的予測
• Authors: Yifan Nie, Qiaoxin Li,
• Abstract要約: 本稿ではフーリエ演算子(FNO)を用いた不規則流れ場における高速圧縮性流体の時間的変化について検討する。 我々は,不規則な流れ場をFNO入力要求と整合した逐次形式に再構成し,複数ステップの予測を行うためにリカレントニューラルネットワーク(RNN)に時間的結合手法を組み込む。
• 参考スコア（独自算出の注目度）: 0.3819617852128932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the temporal evolution of high-speed compressible fluids in irregular flow fields using the Fourier Neural Operator (FNO). We reconstruct the irregular flow field point set into sequential format compatible with FNO input requirements, and then embed temporal bundling technique within a recurrent neural network (RNN) for multi-step prediction. We further employ a composite loss function to balance errors across different physical quantities. Experiments are conducted on three different types of irregular flow fields, including orthogonal and non-orthogonal grid configurations. Then we comprehensively analyze the physical component loss curves, flow field visualizations, and physical profiles. Results demonstrate that our approach significantly surpasses traditional numerical methods in computational efficiency while achieving high accuracy, with maximum relative $L_2$ errors of (0.78, 0.57, 0.35)% for ($p$, $T$, $\mathbf{u}$) respectively. This verifies that the method can efficiently and accurately simulate the temporal evolution of high-speed compressible flows in irregular domains.
• Abstract（参考訳）: 本稿ではフーリエニューラル演算子(FNO)を用いた不規則流れ場における高速圧縮性流体の時間的変化について検討する。 本研究では,不規則な流れ場をFNO入力要求に適合する逐次形式に再構成し,複数ステップの予測を行うために,リカレントニューラルネットワーク(RNN)に時間的結合手法を組み込む。 さらに、様々な物理量にまたがる誤差のバランスをとるために、複合損失関数を用いる。 直交および非直交格子構成を含む3種類の不規則流れ場について実験を行った。 次に, 物理成分損失曲線, 流れ場可視化, 物理プロファイルを包括的に解析する。 その結果,提案手法は計算効率において従来の数値法をはるかに上回り,相対誤差は0.78,0.57,0.35)%(p$,$T$,$\mathbf{u}$)であった。 この手法が不規則領域における高速圧縮性流れの時間的進化を効率的かつ正確にシミュレートできることを検証した。

関連論文リスト

• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
  本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。 IFactFormer-mモデルは乱流流の長期予測に成功している。
  論文  参考訳（メタデータ） (2024-12-25T09:05:14Z)
• Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
  我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。 提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
  論文  参考訳（メタデータ） (2023-07-27T17:42:06Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• Finite volume method network for acceleration of unsteady computational fluid dynamics: non-reacting and reacting flows [0.0]
  CFDシミュレーションを高速化するために,ユニークなネットワークアーキテクチャと物理インフォームド損失関数を備えたニューラルネットワークモデルを開発した。 反応フローデータセットでは、このネットワークモデルの計算速度はCFDソルバの約10倍の速さで測定された。
  論文  参考訳（メタデータ） (2021-05-07T15:33:49Z)

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。