論文の概要: Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization

• arxiv url: http://arxiv.org/abs/2603.09371v1
• Date: Tue, 10 Mar 2026 08:46:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.165001
• Title: Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization
• Title（参考訳）: エンド・ツー・エンドセンサ配置最適化を用いたボロノイ強化物理インフォームニューラルネットワークによる流れ場再構成
• Authors: Renjie Xiao, Bingteng Sun, Yiling Chen, Lin Lu, Qiang Du, Junqiang Zhu,
• Abstract要約: 流れ場再構成は流体力学において重要であるが, スパースおよび内在的に不完全なセンサ測定により課題が解決される。 本研究では,Voron-enhanced Sensor Optimization (VSOPINN)を用いたPINNを提案する。 VSOPINNは、異なるレイノルズ数間で再構成精度を著しく改善し、効果的なセンサーレイアウトを適応的に学習し、センサ故障時にも頑健である。
• 参考スコア（独自算出の注目度）: 6.610387253899951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: (short version abstract, full in article)High-fidelity flow field reconstruction is important in fluid dynamics, but it is challenged by sparse and spatiotemporally incomplete sensor measurements, as well as failures of pre-deployed measurement points that can invalidate pre-trained reconstruction models. Physics-informed neural networks (PINNs) alleviate dependence on large labeled datasets by incorporating governing physics, yet sensor placement optimization, a key factor in reconstruction accuracy and robustness, remains underexplored. In this study, we propose a PINN with Voronoi-enhanced Sensor Optimization (VSOPINN). VSOPINN enables differentiable soft Voronoi construction for sparse sensor data rasterization, end-to-end fusion of centroidal Voronoi tessellation (CVT) with PINNs for adaptive sensor placement, and unified layout optimization for multi-condition flow reconstruction through a shared encoder-multi-decoder architecture. We validate VSOPINN on three representative problems: lid-driven cavity flow, vascular flow, and annular rotating flow. Results show that VSOPINN significantly improves reconstruction accuracy across different Reynolds numbers, adaptively learns effective sensor layouts, and remains robust under partial sensor failure. The study clarifies the intrinsic relationship between sensor placement and reconstruction precision in PINN-based flow field reconstruction.
• Abstract（参考訳）: (短編要約)流体力学において高忠実性流れ場再構成は重要であるが, 空間的・時空間的不完全なセンサ測定や, 事前学習した再構成モデルの無効化が可能な事前配置計測点の故障などにより, 課題が解決される。 物理インフォームドニューラルネットワーク(PINN)は、制御物理を取り入れた大規模ラベル付きデータセットへの依存を緩和するが、センサ配置最適化は、再構築精度と堅牢性の重要な要素であり、未調査のままである。 本研究では,Voronoi-enhanced Sensor Optimization (VSOPINN) を用いたPINNを提案する。 VSOPINNは、スパルスセンサデータラスタ化のためのソフトなVoronoi構築、適応型センサ配置のためのPINNへの中心型Voronoiテセレーション(CVT)のエンドツーエンド融合、共有エンコーダ-マルチデコーダアーキテクチャによるマルチコンディションフロー再構築のための統一的なレイアウト最適化を可能にする。 われわれは, 蓋駆動空洞流, 血管流, 環状回転流の3つの問題に対してVSOPINNを検証した。 以上の結果から,VSOPINNはレイノルズ数間の再構成精度を著しく向上し,効果的なセンサレイアウトを適応的に学習し,部分センサ故障時にも頑健であることがわかった。 本研究は, PINNを用いた流れ場再構成におけるセンサ配置と再構成精度の内在的関係を明らかにする。

関連論文リスト

• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• PhySense: Sensor Placement Optimization for Accurate Physics Sensing [53.58729034895666]
  PhySenseは、物理的なフィールドを共同で再構築し、センサー配置を最適化するフレームワークである。 最先端の物理センサーの精度を達成し、以前は考えられていなかった情報的なセンサー配置を発見する。
  論文  参考訳（メタデータ） (2025-05-19T14:59:11Z)
• FLRONet: Deep Operator Learning for High-Fidelity Fluid Flow Field Reconstruction from Sparse Sensor Measurements [0.47745223151611654]
  本研究では,スパースセンサによる流体流れ場再構築のための深層演算子学習フレームワークであるFLRONetを紹介する。 FLRONetは、センサ測定が不正確な場合や欠落の場合であっても、高いレベルの再現精度と堅牢性を達成する。
  論文  参考訳（メタデータ） (2024-12-11T01:28:48Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• FLRNet: A Deep Learning Method for Regressive Reconstruction of Flow Field From Limited Sensor Measurements [0.2621730497733947]
  スパースセンサ計測による流れ場再構成のための深層学習手法であるFLRNetを導入する。 各種流動条件およびセンサ構成下でのFLRNetの再構成能力と一般化性について検証した。
  論文  参考訳（メタデータ） (2024-11-21T03:40:34Z)
• Data-Induced Interactions of Sparse Sensors Using Statistical Physics [2.2029818765681077]
  トレーニングデータによって引き起こされるセンサインタラクションの全体像を計算するために,統計的メカニクスの視点を用いる。 本論文の2つの重要な進歩は、Isingモデル形式のセンサ配置景観の再キャストと、少数のセンサの再構成誤差を著しく低減する正規化再構成である。
  論文  参考訳（メタデータ） (2023-07-21T18:13:37Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:39:13Z)

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。