論文の概要: A Deep Surrogate Model for Robust and Generalizable Long-Term Blast Wave Prediction

• arxiv url: http://arxiv.org/abs/2602.18168v1
• Date: Fri, 20 Feb 2026 12:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.315749
• Title: A Deep Surrogate Model for Robust and Generalizable Long-Term Blast Wave Prediction
• Title（参考訳）: ロバスト・一般化可能な長期ブラスト波予測のためのディープサロゲートモデル
• Authors: Danning Jing, Xinhai Chen, Xifeng Pu, Jie Hu, Chao Huang, Xuguang Chen, Qinglin Wang, Jie Liu,
• Abstract要約: RGD-Blastは、高忠実で長期の爆発波予測のための頑健で一般化可能なディープサロゲートモデルである。 RGD-Blastには、グローバルフローパターンと局所境界相互作用の両方をキャプチャするマルチスケールモジュールが組み込まれており、自動回帰予測時のエラー蓄積を効果的に軽減している。 実験により、RGD-Blastは、同等の精度を維持しながら、2次のマグニチュードスピードアップを達成することが示された。
• 参考スコア（独自算出の注目度）: 12.76666434787901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately modeling the spatio-temporal dynamics of blast wave propagation remains a longstanding challenge due to its highly nonlinear behavior, sharp gradients, and burdensome computational cost. While machine learning-based surrogate models offer fast inference as a promising alternative, they suffer from degraded accuracy, particularly evaluated on complex urban layouts or out-of-distribution scenarios. Moreover, autoregressive prediction strategies in such models are prone to error accumulation over long forecasting horizons, limiting their robustness for extended-time simulations. To address these limitations, we propose RGD-Blast, a robust and generalizable deep surrogate model for high-fidelity, long-term blast wave forecasting. RGD-Blast incorporates a multi-scale module to capture both global flow patterns and local boundary interactions, effectively mitigating error accumulation during autoregressive prediction. We introduce a dynamic-static feature coupling mechanism that fuses time-varying pressure fields with static source and layout features, thereby enhancing out-of-distribution generalization. Experiments demonstrate that RGD-Blast achieves a two-order-of-magnitude speedup over traditional numerical methods while maintaining comparable accuracy. In generalization tests on unseen building layouts, the model achieves an average RMSE below 0.01 and an R2 exceeding 0.89 over 280 consecutive time steps. Additional evaluations under varying blast source locations and explosive charge weights further validate its generalization, substantially advancing the state of the art in long-term blast wave modeling.
• Abstract（参考訳）: 爆発波伝播の時空間的ダイナミクスを正確にモデル化することは、その非常に非線形な挙動、鋭い勾配、重荷のかかる計算コストにより、長年にわたる課題である。 機械学習ベースのサロゲートモデルは、将来的な代替手段として高速な推論を提供するが、特に複雑な都市レイアウトやアウト・オブ・ディストリビューションシナリオで評価される、精度の低下に悩まされている。 さらに、そのようなモデルにおける自己回帰予測戦略は、長い予測地平線上での誤差蓄積を招き、長期シミュレーションの堅牢性を制限する。 これらの制約に対処するため、我々は高忠実で長期のブラスト波予測のための頑健で一般化可能なディープサロゲートモデルであるRGD-Blastを提案する。 RGD-Blastには、グローバルフローパターンと局所境界相互作用の両方をキャプチャするマルチスケールモジュールが組み込まれており、自動回帰予測時のエラー蓄積を効果的に軽減している。 本研究では,時変圧力場と静的なソースおよびレイアウト特徴を融合させる動的静的な特徴結合機構を導入し,分布外一般化を向上する。 実験により、RGD-Blastは従来の数値法よりも2桁の速度アップを達成でき、精度は同等であることが示された。 建物レイアウトの一般化テストでは、平均RMSEが0.01未満、R2が0.89以上の280連続時間ステップを達成している。 様々な爆発源位置と爆薬の重量の下でのさらなる評価は、その一般化をさらに証明し、長期間の爆発波モデリングの最先端を著しく前進させた。

関連論文リスト

• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Scale-Disentangled spatiotemporal Modeling for Long-term Traffic Emission Forecasting [10.643363557001955]
  本稿では,長期交通排出予測のためのSDSTM(Scale-Disd S-temporal Modeling)フレームワークを提案する。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-16T06:06:47Z)
• Hierarchical Implicit Neural Emulators [20.09615751270837]
  本稿では,長期予測精度を高めるマルチスケール暗黙的ニューラルエミュレータを提案する。 提案手法では, 圧縮速度の向上に先立って, 次の段階の圧縮速度の向上を推算する。 乱流流体力学の実験により,本手法は短期精度が高く,長期安定予測が得られた。
  論文  参考訳（メタデータ） (2025-06-05T00:28:26Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• TI-DeepONet: Learnable Time Integration for Stable Long-Term Extrapolation [0.0]
  TI-DeepONetは、ニューラルネットワークと適応的な数値タイムステッピング技術を統合するフレームワークである。 本研究は,ニューラルネットワークを数値解析でブリッジする物理認識演算子学習パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-22T23:24:31Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting [10.892801642895904]
  本稿では,距離重み付き自己正規化ニューラルネットワーク(DAN)を提案する。これは極性表現学習によって強化されたストラムフローの長距離予測のための新しい極性適応モデルである。 実生活における4つの水文流れデータセットにおいて、DANは、最先端の水文時系列予測法と長期時系列予測のための一般的な方法の両方を著しく上回っていることを実証した。
  論文  参考訳（メタデータ） (2023-12-14T09:16:01Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。