論文の概要: Surrogate models for nuclear fusion with parametric Shallow Recurrent Decoder Networks: applications to magnetohydrodynamics
- arxiv url: http://arxiv.org/abs/2603.10678v1
- Date: Wed, 11 Mar 2026 11:43:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:32.921898
- Title: Surrogate models for nuclear fusion with parametric Shallow Recurrent Decoder Networks: applications to magnetohydrodynamics
- Title（参考訳）: パラメトリックShallow Recurrent Decoder Networkを用いた核融合の代理モデル:磁気流体力学への応用
- Authors: M. Lo Verso, C. Introini, E. Cervi, L. Savoldi, J. N. Kutz, A. Cammi,
- Abstract要約: 本研究では,MHD状態再構成のためのデータ駆動型フレームワークについて検討する。
SHREDは、スパース時系列測定からフルタイム状態を回復するために設計されたニューラルネットワークアーキテクチャである。
その結果, SHREDはトレーニングセットに含まれない磁場強度に対しても, 完全MHD状態を正確に再構成することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetohydrodynamic (MHD) effects play a key role in the design and operation of nuclear fusion systems, where electrically conducting fluids (such as liquid metals or molten salts in reactor blankets) interact with magnetic fields of varying intensity and orientation, which affect the resulting flow. The numerical resolution of MHD models involves highly nonlinear multiphysics systems of equations and can become computationally expensive, particularly in multi-query, parametric, or real-time contexts. This work investigates a fully data-driven framework for MHD state reconstruction that combines dimensionality reduction via Singular Value Decomposition (SVD) with the SHallow REcurrent Decoder (SHRED), a neural network architecture designed to recover the full spatio-temporal state from sparse time-series measurements of a limited number of observables. The methodology is applied to a parametric MHD test case involving compressible lead-lithium flow in a stepped channel subjected to thermal gradients and magnetic fields spanning a broad range of intensities. To improve efficiency, the full-order dataset is first compressed using SVD, yielding a reduced representation used as reference truth for training. Only temperature measurements from three sensors are provided as input, while the network reconstructs the full fields of velocity, pressure, and temperature. To assess robustness with respect to sensor placement, thirty randomly generated sensor configurations are tested in ensemble mode. Results show that SHRED accurately reconstructs the full MHD state even for magnetic field intensities not included in the training set. These findings demonstrate the potential of SHRED as a computationally efficient surrogate modeling strategy for fusion-relevant multiphysics problems, enabling low-cost state estimation with possible applications in real-time monitoring and control.
- Abstract（参考訳）: 磁気流体力学(MHD)効果は核融合系の設計と運用において重要な役割を担い、電気的に導電する流体(液体金属や原子炉ブランケットの溶融塩など)が様々な強度と向きの磁場と相互作用し、その結果の流れに影響を与える。
MHDモデルの数値解法は、方程式の非常に非線形な多物理系を含み、特にマルチクエリ、パラメトリック、リアルタイムの文脈において計算コストがかかる。
本研究では、Singular Value Decomposition(SVD)とSHRED(SHallow Recurrent Decoder)を組み合わせたMHD状態再構成のための完全なデータ駆動フレームワークについて検討する。
本手法は, 熱勾配を受ける段流路内における圧縮性鉛-リチウム流を伴うパラメトリックMHD試験ケースに適用し, 広範囲の強度にまたがる磁場について検討した。
効率を向上させるために、全階データセットをSVDでまず圧縮し、トレーニングの基準真理として使われる表現を減らした。
3つのセンサーからの温度測定のみが入力として提供され、ネットワークは速度、圧力、温度の完全なフィールドを再構築する。
センサ配置に関するロバスト性を評価するため、アンサンブルモードで30個のランダムに生成されたセンサ構成をテストした。
その結果, SHREDはトレーニングセットに含まれない磁場強度に対しても, 完全MHD状態を正確に再構成することがわかった。
これらの結果から, SHREDは核融合関連多物理問題に対する計算効率のよい代理モデルとしての可能性を示し, リアルタイム監視・制御における低コストな状態推定が可能となった。
関連論文リスト
- Gradient Networks for Universal Magnetic Modeling of Synchronous Machines [39.146761527401424]
本稿では,飽和同期機の動的モデリングのための物理インフォームドニューラルネットワーク手法を提案する。
本稿では,勾配ネットワークを基本機械方程式に直接組み込むアーキテクチャを提案する。
本稿では,5.6kW永久磁石同期機の有限要素法(FEM)を用いて提案手法を検証する。
論文 参考訳（メタデータ） (2026-02-16T17:28:42Z) - U-PINet: End-to-End Hierarchical Physics-Informed Learning With Sparse Graph Coupling for 3D EM Scattering Modeling [28.64166932076228]
電磁波散乱モデリングは、レーダーリモートセンシングに不可欠である。
従来の数値解法は精度が高いが、スケーラビリティの問題と計算コストに悩まされている。
これらの制約を克服するために,U字型物理情報ネットワーク (U-PINet) を提案する。
論文 参考訳（メタデータ） (2025-08-05T12:20:42Z) - Inverse Modeling of Dielectric Response in Time Domain using Physics-Informed Neural Networks [1.680048515550978]
絶縁材料の誘電応答(DR)は、電気絶縁システムを設計し、HVデバイスの安全な運転条件を定義するための重要な入力情報である。
本稿では、並列RC回路を用いた時間領域におけるDRの逆モデリングにおける物理インフォームドニューラルネットワーク(PINN)の利用について検討する。
論文 参考訳（メタデータ） (2025-04-28T11:36:49Z) - From Models To Experiments: Shallow Recurrent Decoder Networks on the DYNASTY Experimental Facility [3.422016133670755]
ショート・リカレント・デコーダ・ネットワーク(Shallow Recurrent Decoder Network)は、状態推定のために最近導入された新しいパラダイムである。
この作業は、Shallow Recurrent Decoder アーキテクチャを、ミラノの Politecnico di Milano に構築された DYNASTY 施設に適用することを目的としている。
この研究の結果は、Shallow Recurrent Decoderアーキテクチャのエンジニアリングシステムへの検証を提供する。
論文 参考訳（メタデータ） (2025-03-11T21:39:20Z) - Towards Efficient Parametric State Estimation in Circulating Fuel Reactors with Shallow Recurrent Decoder Networks [3.422016133670755]
本稿では, 中性子と熱水圧との強い結合を特徴とする第4世代原子炉である溶融塩高速炉(MSFR)の試験事例として考察する。
リアルタイムの全ての特性場の正確な再構成により、この手法は原子炉デジタルツインの枠組みにおける監視と制御の目的に適している。
論文 参考訳（メタデータ） (2025-03-11T21:32:28Z) - 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) - Accurate and Fast Fischer-Tropsch Reaction Microkinetics using PINNs [38.08566680893281]
Fischer-Tropsch合成(FTS)のマイクロ力学モデルは、より高度なリアルタイムアプリケーションでは非効率になる。
本稿では,計算効率が高く,高精度な計算手法を提案し,既存のマイクロ運動学モデルの超高速解法を実現する。
提案したPINNモデルでは, FTSマイクロキネティクスにおいて, 平均相対誤差(MRE)0.03%, FTS生成速度(MRE0.1%)を計算した。
論文 参考訳（メタデータ） (2023-11-17T11:21:09Z) - Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。
具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
論文 参考訳（メタデータ） (2021-11-10T18:43:18Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォーム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） (2021-07-16T12:56:09Z) - TLIO: Tight Learned Inertial Odometry [43.17991168599939]
IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。
ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
論文 参考訳（メタデータ） (2020-07-06T03:13:34Z)
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。