論文の概要: Geometry-Aware Physics-Informed PointNets for Modeling Flows Across Porous Structures

• arxiv url: http://arxiv.org/abs/2602.14108v1
• Date: Sun, 15 Feb 2026 11:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.657437
• Title: Geometry-Aware Physics-Informed PointNets for Modeling Flows Across Porous Structures
• Title（参考訳）: 多孔質構造のモデリングのための幾何学的物理インフォームドポイントネット
• Authors: Luigi Ciceri, Corrado Mio, Jianyi Lin, Gabriele Gianini,
• Abstract要約: 本研究では,多孔体内および周囲に発生する流れの予測問題に対処する。 物理インフォームド・ポイントネット(PIPN)と物理インフォームド・ジオメトリ・アウェア・ニューラル・オペレータ(P-IGANO)の2つのアプローチを用いる。 その結果、目視と目視の両方のケースにおいて、速度と圧力の誤差が一貫して低く、ウェイク構造を正確に再現できることがわかった。 全体として,本研究はPIPN/PI-GANOを多孔質流の同時流路として初めて体系的に評価し,幾何単位の再学習を伴わずに設計研究を加速させる可能性を示した。
• 参考スコア（独自算出の注目度）: 0.09332987715848712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting flows that occur both through and around porous bodies is challenging due to coupled physics across fluid and porous regions and the need to generalize across diverse geometries and boundary conditions. We address this problem using two Physics Informed learning approaches: Physics Informed PointNets (PIPN) and Physics Informed Geometry Aware Neural Operator (P-IGANO). We enforce the incompressible Navier Stokes equations in the free-flow region and a Darcy Forchheimer extension in the porous region within a unified loss and condition the networks on geometry and material parameters. Datasets are generated with OpenFOAM on 2D ducts containing porous obstacles and on 3D windbreak scenarios with tree canopies and buildings. We first verify the pipeline via the method of manufactured solutions, then assess generalization to unseen shapes, and for PI-GANO, to variable boundary conditions and parameter settings. The results show consistently low velocity and pressure errors in both seen and unseen cases, with accurate reproduction of the wake structures. Performance degrades primarily near sharp interfaces and in regions with large gradients. Overall, the study provides a first systematic evaluation of PIPN/PI-GANO for simultaneous through-and-around porous flows and shows their potential to accelerate design studies without retraining per geometry.
• Abstract（参考訳）: 多孔質体と多孔質体の両方に発生する予測フローは、流体と多孔質領域をまたいだ物理学の結合と、多様な測地線と境界条件をまたいだ一般化の必要性により困難である。 物理インフォームド・ポイントネット(PIPN)と物理インフォームド・ジオメトリ・アウェア・ニューラル・オペレータ(P-IGANO)の2つのアプローチを用いてこの問題に対処する。 自由流領域における圧縮不可能なナビエ・ストークス方程式と多孔質領域におけるダルシー・フォルヒハイマー拡張を、幾何および物質パラメータに関するネットワークの統一的損失と条件の中で実施する。 データセットは、多孔性障害物を含む2次元ダクト上のOpenFOAMと、ツリーキャノピーや建物を含む3次元ウインドブレイクシナリオで生成される。 まず、製造されたソリューションの手法を用いてパイプラインを検証し、次に、未知の形状への一般化と、PI-GANOの変数境界条件とパラメータ設定に対する一般化を評価する。 その結果、目視と目視の両方のケースにおいて、速度と圧力の誤差が一貫して低く、ウェイク構造を正確に再現できることがわかった。 パフォーマンスは、主にシャープインターフェースや大きな勾配のある領域で低下する。 全体として,本研究はPIPN/PI-GANOを多孔質流の同時流路として初めて体系的に評価し,幾何単位の再学習を伴わずに設計研究を加速させる可能性を示した。

関連論文リスト

• Physics- and geometry-aware spatio-spectral graph neural operator for time-independent and time-dependent PDEs [0.9208007322096533]
  時間非依存および時間依存PDEの解演算子を学習するための物理・幾何学対応時空間グラフニューラル演算子を提案する。 提案手法は,最近開発されたSp$2$GNOに対して,幾何学的認識を可能にして改善する。 時間依存問題に対しては、高階時間マーチングスキームと高階理論にインスパイアされた射影を組み合わせた新しいハイブリッド物理情報損失関数も導入する。
  論文  参考訳（メタデータ） (2025-08-13T08:59:04Z)
• Physics-Informed Neural Network Approaches for Sparse Data Flow Reconstruction of Unsteady Flow Around Complex Geometries [0.0]
  PINNは物理インフォームド機械学習(PIML)の分野である PINNは流体力学における多種多様な前方および逆問題の解法として広く研究されている。 本研究は, (a) 円柱を過ぎる2次元非定常層流と (b) 超大型コンテナ船(ULCS)を過ぎる3次元非定常乱流の2例に焦点を当てた。
  論文  参考訳（メタデータ） (2025-08-02T11:06:19Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Detecting hidden structures from a static loading experiment: topology optimization meets physics-informed neural networks [0.1227734309612871]
  隠れた測地を識別するPINNに基づくトポロジ最適化フレームワークを提案する。 我々は,隠れた空洞と包含物の数,位置,形状を検出することによって,我々の枠組みを検証する。 本手法は,工学における幾何最適化問題を解くためのPINNの経路を開く。
  論文  参考訳（メタデータ） (2023-03-13T12:44:32Z)
• 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。