論文の概要: Prediction of Steady-State Flow through Porous Media Using Machine Learning Models

• arxiv url: http://arxiv.org/abs/2603.06762v1
• Date: Fri, 06 Mar 2026 14:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.095187
• Title: Prediction of Steady-State Flow through Porous Media Using Machine Learning Models
• Title（参考訳）: 機械学習モデルを用いた多孔質媒質内定常流れの予測
• Authors: Jinhong Wang, Matei C. Ignuta-Ciuncanu, Ricardo F. Martinez-Botas, Teng Cao,
• Abstract要約: 多孔質媒体を流れる流れは、冷板の位相最適化における重要なステップである。 従来の計算流体力学法は、大規模かつ複雑な測地にとって、しばしば不当に高価である。 そこで我々は,Navier-Stokes-Brinkman方程式による多孔質媒質による定常流れの予測を行う機械学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 3.2250618460602705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving flow through porous media is a crucial step in the topology optimisation of cold plates, a key component in modern thermal management. Traditional computational fluid dynamics (CFD) methods, while accurate, are often prohibitively expensive for large and complex geometries. In contrast, data-driven surrogate models provide a computationally efficient alternative, enabling rapid and reliable predictions. In this study, we develop a machine-learning framework for predicting steady-state flow through porous media governed by the Navier-Stokes-Brinkman equations. We implement and compare three model architectures-convolutional autoencoder (AE), U-Net, and Fourier Neural Operator (FNO)-evaluating their predictive performance. To enhance physics consistency, we incorporate physics-informed loss functions. Our results demonstrate that FNO outperforms AE and U-Net, achieving a mean squared error (MSE) as low as 0.0017 while providing speedups of up to 1000 times compared to CFD. Additionally, the mesh-invariant property of FNO emphasizes its suitability for topology optimisation tasks, where varying mesh resolutions are required. This study highlights the potential of machine learning to accelerate fluid flow predictions in porous media, offering a scalable alternative to traditional numerical methods.
• Abstract（参考訳）: 多孔質体中の流れを溶かすことは、現代の熱管理における重要な要素である冷板の位相最適化における重要なステップである。 従来の計算流体力学(CFD)の手法は正確ではあるが、大規模で複雑な測地では高額であることが多い。 対照的に、データ駆動サロゲートモデルは、高速で信頼性の高い予測を可能にする、計算的に効率的な代替手段を提供する。 本研究では,Navier-Stokes-Brinkman方程式が支配する多孔質媒体による定常流れを予測する機械学習フレームワークを開発した。 本稿では,3つのモデルアーキテクチャ-進化的オートエンコーダ(AE),U-Net,フーリエニューラル演算子(FNO)を実装・比較し,その予測性能を評価する。 物理の整合性を高めるため,物理インフォームド・ロス関数を組み込んだ。 その結果,FNOは平均二乗誤差(MSE)を0.0017以下とし,CFDに比べて1000倍の高速化を実現していることがわかった。 さらに、FNOのメッシュ不変性は、様々なメッシュ解像度を必要とするトポロジ最適化タスクに適していることを強調している。 本研究は,多孔質媒体の流動予測を高速化する機械学習の可能性を強調し,従来の数値法に代わるスケーラブルな代替手段を提供する。

関連論文リスト

• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• FlowBERT: Prompt-tuned BERT for variable flow field prediction [0.5222978725954347]
  本研究では,大言語モデル(LLM)からの知識伝達に基づくユニバーサルフロー場予測フレームワークを提案する。 提案手法は,90%以上の精度を維持しながら予測時間を秒に短縮する。 発達した知識伝達パラダイムは、高速流体力学予測のための新しい方向を確立する。
  論文  参考訳（メタデータ） (2025-05-20T02:25:38Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• 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)
• 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)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)

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。