論文の概要: WAKESET: A Large-Scale, High-Reynolds Number Flow Dataset for Machine Learning of Turbulent Wake Dynamics
- arxiv url: http://arxiv.org/abs/2602.01379v1
- Date: Sun, 01 Feb 2026 18:27:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.757491
- Title: WAKESET: A Large-Scale, High-Reynolds Number Flow Dataset for Machine Learning of Turbulent Wake Dynamics
- Title（参考訳）: WAKESET: 乱流ウェークダイナミクスの機械学習のための大規模高レイノルズ数フローデータセット
- Authors: Zachary Cooper-Baldock, Paulo E. Santos, Russell S. A. Brinkworth, Karl Sammut,
- Abstract要約: 本稿では, 乱流の大規模CFDデータセットであるWAKESETを紹介する。
データセットは、自律型水中車両の水中回収中の複雑な流体力学的相互作用をキャプチャする。
高忠実なReynolds-Averaged Navier-Stokesシミュレーションは1,091で、4,364インスタンスに拡張され、幅広い動作速度のエンベロープをカバーしている。
- 参考スコア（独自算出の注目度）: 0.7466390172678969
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) offers transformative potential for computational fluid dynamics (CFD), promising to accelerate simulations, improve turbulence modelling, and enable real-time flow prediction and control-capabilities that could fundamentally change how engineers approach fluid dynamics problems. However, the exploration of ML in fluid dynamics is critically hampered by the scarcity of large, diverse, and high-fidelity datasets suitable for training robust models. This limitation is particularly acute for highly turbulent flows, which dominate practical engineering applications yet remain computationally prohibitive to simulate at scale. High-Reynolds number turbulent datasets are essential for ML models to learn the complex, multi-scale physics characteristic of real-world flows, enabling generalisation beyond the simplified, low-Reynolds number regimes often represented in existing datasets. This paper introduces WAKESET, a novel, large-scale CFD dataset of highly turbulent flows, designed to address this critical gap. The dataset captures the complex hydrodynamic interactions during the underwater recovery of an autonomous underwater vehicle by a larger extra-large uncrewed underwater vehicle. It comprises 1,091 high-fidelity Reynolds-Averaged Navier-Stokes simulations, augmented to 4,364 instances, covering a wide operational envelope of speeds (up to Reynolds numbers of 1.09 x 10^8) and turning angles. This work details the motivation for this new dataset by reviewing existing resources, outlines the hydrodynamic modelling and validation underpinning its creation, and describes its structure. The dataset's focus on a practical engineering problem, its scale, and its high turbulence characteristics make it a valuable resource for developing and benchmarking ML models for flow field prediction, surrogate modelling, and autonomous navigation in complex underwater environments.
- Abstract（参考訳）: 機械学習(ML)は、計算流体力学(CFD)の変換ポテンシャルを提供し、シミュレーションを加速し、乱流モデリングを改善し、エンジニアが流体力学にどのようにアプローチするかを根本的に変えることができるリアルタイムフロー予測と制御機能を実現することを約束する。
しかし、流体力学におけるMLの探索は、ロバストモデルのトレーニングに適した大規模で多種多様な高忠実度データセットの不足によって著しく妨げられている。
この制限は特に高乱流において急激であり、実際的な工学的応用を独占するが、大規模にシミュレートすることを計算的に禁止している。
高レイノルズ数乱流データセットはMLモデルにとって、実世界の流れの複雑な多スケール物理特性を学ぶために必須であり、既存のデータセットにしばしば表される単純化された低レイノルズ数規則を超えた一般化を可能にする。
本稿では,この臨界ギャップに対処するために,乱流の大規模CFDデータセットであるWAKESETを紹介する。
データセットは、より大型の無人水中車両による自律型水中車両の水中回収中の複雑な流体力学的相互作用をキャプチャする。
1,091個の高忠実度レイノルズ平均ナヴィエ・ストークスシミュレーションを4,364個のインスタンスに拡張し、広い操作範囲の速度(レイノルズ数1.09×10^8まで)と回転角をカバーしている。
この研究は、既存のリソースをレビューすることで、この新しいデータセットのモチベーションを詳述し、その生成を支える流体力学モデリングと検証の概要を説明し、その構造を説明する。
このデータセットは、実用的なエンジニアリング問題、その規模、高乱流特性に焦点を当てており、複雑な水中環境におけるフロー場予測、代理モデル、自律ナビゲーションのためのMLモデルの開発とベンチマークのための貴重なリソースとなっている。
関連論文リスト
- Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management [44.41703936689344]
完全に微分可能な多相流シミュレータを結合した物理インフォームド機械学習ワークフローを提案する。
CNNは、不均一な透水性フィールドからの流体抽出速度を予測し、臨界貯水池の圧力制限を強制する。
本研究では, 3 万以上の完全物理多相流シミュレーションにより, 高精度な学習が可能であることを示す。
論文 参考訳（メタデータ） (2025-08-26T20:38:02Z) - AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。
非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。
提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
論文 参考訳（メタデータ） (2025-04-30T23:55:44Z) - 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) - Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。
レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-31T17:51:14Z) - Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。
基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
論文 参考訳（メタデータ） (2024-12-18T14:39:43Z) - 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) - From Zero to Turbulence: Generative Modeling for 3D Flow Simulation [45.626346087828765]
本稿では, 乱流シミュレーションを, 初期流れの状態に依存することなく, 可能な全ての乱流状態の多様体を直接学習する生成タスクとして提案する。
生成モデルでは、未知の物体による乱流の分布を捉え、下流アプリケーションのための高品質で現実的なサンプルを生成する。
論文 参考訳（メタデータ） (2023-05-29T18:20:28Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Scientific multi-agent reinforcement learning for wall-models of
turbulent flows [5.678337324555036]
大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。
現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
論文 参考訳（メタデータ） (2021-06-21T14:30:10Z) - 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) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳（メタデータ） (2020-05-18T18:45:09Z)
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。