論文の概要: Modeling subgrid scale production rates on complex meshes using graph neural networks

• arxiv url: http://arxiv.org/abs/2603.19841v1
• Date: Fri, 20 Mar 2026 10:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.109008
• Title: Modeling subgrid scale production rates on complex meshes using graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた複雑なメッシュ上のサブグリッドスケール生成率のモデル化
• Authors: Priyabrat Dash, Mathis Bode, Konduri Aditya,
• Abstract要約: 非一様メッシュ上でフィルタされた種の生産率を予測するグラフニューラルネットワーク(GNN)を開発した。 乱流予混合水素-メタンジェット火炎の直接数値シミュレーションでは、10%、50%、80%の水素分がデータセットを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-eddy simulations (LES) require closures for filtered production rates because the resolved fields do not contain all correlations that govern chemical source terms. We develop a graph neural network (GNN) that predicts filtered species production rates on non-uniform meshes from inputs of filtered mass fractions and temperature. Direct numerical simulations of turbulent premixed hydrogen-methane jet flames with hydrogen fractions of 10%, 50%, and 80% provide the dataset. All fields are Favre filtered with the filter width matched to the operating mesh, and learning is performed on subdomain graphs constructed from mesh-point connectivity. A compact set of reactants, intermediates, and products is used, and their filtered production rates form the targets. The model is trained on 10% and 80% blends and evaluated on the unseen 50% blend to test cross-composition generalization. The GNN is compared against an unclosed reference that evaluates rates at the filtered state, and a convolutional neural network baseline that requires remeshing. Across in-distribution and out-of-distribution cases, the GNN yields lower errors and closer statistical agreement with the reference data. Furthermore, the model demonstrates robust generalization across varying filter widths without retraining, maintaining bounded errors at coarser spatial resolutions. A backward facing step configuration further confirms prediction efficacy on a practically relevant geometry. These results highlight the capability of GNNs as robust data-driven closure models for LES on complex meshes.
• Abstract（参考訳）: 大規模渦シミュレーション (LES) は、化学源項を管理する相関関係を全て含まないため、フィルタされた生成速度のクロージャを必要とする。 我々は,フィルタされた質量分率と温度の入力から,一様でないメッシュ上でのフィルタされた種の生産率を予測するグラフニューラルネットワーク(GNN)を開発した。 乱流予混合水素-メタンジェット火炎の直接数値シミュレーションでは、10%、50%、80%の水素分がデータセットを提供する。 すべてのフィールドは、オペレーティングメッシュにマッチしたフィルタ幅でフィルタされ、メッシュポイント接続から構築されたサブドメイングラフ上で学習が行われる。 反応剤、中間体および生成物のコンパクトなセットが使用され、その濾過された生産速度が標的となる。 このモデルは10%と80%のブレンドで訓練され、クロスコンポジションの一般化をテストするために50%のブレンドで評価される。 GNNは、フィルタされた状態のレートを評価する未閉じの参照と、リメッシングを必要とする畳み込みニューラルネットワークベースラインと比較される。 分布内および分布外ケース全体で、GNNは参照データとより低いエラーとより近い統計的一致をもたらす。 さらに, このモデルでは, 空間分解能の粗い境界誤差を抑えながら, 様々なフィルタ幅にまたがるロバストな一般化を示す。 後向きのステップ構成は、実用的な幾何学上の予測有効性をさらに確認する。 これらの結果は、複雑なメッシュ上でのLESのための堅牢なデータ駆動クロージャモデルとして、GNNの機能を強調している。

関連論文リスト

• Extra Clients at No Extra Cost: Overcome Data Heterogeneity in Federated Learning with Filter Decomposition [25.658632928800962]
  本稿では,フェデレートラーニング(FL)における畳み込みフィルタをフィルタ部分空間要素の線形結合に分解する手法を提案する。 この単純な手法は、FLにおける大域的なフィルター凝集をフィルター原子とその原子係数に変換する。 ベンチマークデータセットにおける実験結果から,このフィルタ分解手法はFL法の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-03-11T17:42:36Z)
• Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks [0.0]
  メッシュベースの流体の3次元超解像を可能にするグラフニューラルネットワーク(GNN)アプローチが本研究で導入された。 このフレームワークでは、GNNは一度に完全なメッシュベースのフィールドでではなく、要素(またはセル)の局所的なメッシュで動くように設計されている。
  論文  参考訳（メタデータ） (2024-09-12T05:52:19Z)
• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• SS-GNN: A Simple-Structured Graph Neural Network for Affinity Prediction [8.508602451200352]
  本稿では,ドラッグ・ターゲット結合親和性(DTBA)を正確に予測するために,SS-GNNと呼ばれる簡易構造グラフニューラルネットワーク(GNN)モデルを提案する。 タンパク質-リガンド相互作用を表すために、距離閾値に基づいて単一の非方向グラフを構築することにより、グラフデータのスケールを大幅に削減する。 典型的なタンパク質-リガンド複合体では、親和性予測は0.2msしかかからない。
  論文  参考訳（メタデータ） (2022-05-25T04:47:13Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Graph Convolutional Neural Networks for Body Force Prediction [0.0]
  グラフベースのデータ駆動モデルを示し、非構造化メッシュ上で定義されたフィールドの推論を行う。 ネットワークは、異なる解像度のフィールドサンプルから推論することができ、各サンプルの測定結果が提示される順序に不変である。
  論文  参考訳（メタデータ） (2020-12-03T19:53:47Z)
• A machine learning framework for LES closure terms [0.0]
  我々は、暗黙の離散化に基づくフィルタと数値近似誤差を組み込んだLES閉包モデルの一貫した枠組みを導出する。 等方性等方性乱流の直接数値シミュレーション結果から, 異なるLESフィルタ関数の正確な閉包項を算出する。 与えられたアプリケーションに対して、GRUアーキテクチャは精度で明らかにネットワークよりも優れている。
  論文  参考訳（メタデータ） (2020-10-01T08:42:37Z)

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。