論文の概要: FluidFlow: a flow-matching generative model for fluid dynamics surrogates on unstructured meshes

• arxiv url: http://arxiv.org/abs/2604.08586v1
• Date: Mon, 30 Mar 2026 10:08:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.46456
• Title: FluidFlow: a flow-matching generative model for fluid dynamics surrogates on unstructured meshes
• Title（参考訳）: 流体流動:非構造メッシュ上の流体力学シュロゲートのフローマッチング生成モデル
• Authors: David Ramos, Lucas Lacasa, Fermín Gutiérrez, Eusebio Valero, Gonzalo Rubio,
• Abstract要約: 本研究では,条件付きフローマッチングに基づく生成モデルであるFluidFlowを紹介する。 FluidFlowは、構造化メッシュと非構造化メッシュの両方で定義されたCFDデータを直接操作するように設計されている。
• 参考スコア（独自算出の注目度）: 2.7455202504794642
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational fluid dynamics (CFD) provides high-fidelity simulations of fluid flows but remains computationally expensive for many-query applications. In recent years deep learning (DL) has been used to construct data-driven fluid-dynamic surrogate models. In this work we consider a different learning paradigm and embrace generative modelling as a framework for constructing scalable fluid-dynamics surrogate models. We introduce FluidFlow, a generative model based on conditional flow-matching, a recent alternative to diffusion models that learns deterministic transport maps between noise and data distributions. FluidFlow is specifically designed to operate directly on CFD data defined on both structured and unstructured meshes alike, without the needs to perform any mesh interpolation pre-processing and preserving geometric fidelity. We assess the capabilities of FluidFlow using two different core neural network architectures, a U-Net and diffusion transformer (DiT), and condition their learning on physically meaningful parameters. The methodology is validated on two benchmark problems of increasing complexity: prediction of pressure coefficients along an airfoil boundary across different operating conditions, and prediction of pressure and friction coefficients over a full three-dimensional aircraft geometry discretized on a large unstructured mesh. In both cases, FluidFlow outperform strong multilayer perceptron baselines, achieving significantly lower error metrics and improved generalisation across operating conditions. Notably, the transformer-based architecture enables scalable learning on large unstructured datasets while maintaining high predictive accuracy. These results demonstrate that flow-matching generative models provide an effective and flexible framework for surrogate modelling in fluid dynamics, with potential for realistic engineering and scientific applications.
• Abstract（参考訳）: 計算流体力学(CFD)は流体の高忠実度シミュレーションを提供するが、多くのクエリー応用には計算コストがかかる。 近年、深層学習 (DL) はデータ駆動型流体力学シュロゲートモデルの構築に用いられている。 本研究では、異なる学習パラダイムを考慮し、生成モデリングをスケーラブルな流体力学シュロゲートモデルを構築するためのフレームワークとして受け入れる。 本稿では,条件付きフローマッチングに基づく生成モデルであるFluidFlowを紹介した。 FluidFlowは、構造化メッシュと非構造化メッシュの両方で定義されたCFDデータを直接操作するように設計されている。 我々は、2つの異なるコアニューラルネットワークアーキテクチャ、U-Net and diffusion transformer (DiT) を用いてFluidFlowの能力を評価し、それらの学習を物理的に意味のあるパラメータで条件付ける。 この手法は、異なる運転条件における翼境界に沿った圧力係数の予測と、大きな非構造メッシュ上で離散化された3次元航空機幾何学上の圧力係数と摩擦係数の予測という2つのベンチマーク問題に対して検証された。 どちらの場合も、FluidFlowは強い多層パーセプトロンベースラインを上回り、エラーメトリクスを著しく低くし、動作条件をまたいだ一般化を改善している。 特に、トランスフォーマーベースのアーキテクチャは、予測精度を高く保ちながら、大きな非構造化データセットでのスケーラブルな学習を可能にする。 これらの結果から,流動マッチング生成モデルは流体力学におけるシュロゲートモデリングの効果的かつ柔軟な枠組みを提供し,現実的な工学的・科学的応用の可能性を示した。

関連論文リスト

• A Multimodal Vision Transformer-based Modeling Framework for Prediction of Fluid Flows in Energy Systems [0.0]
  本稿では,流動予測のための変圧器を用いたモデリングフレームワークを提案する。 機関の往復に関係した高圧ガス噴射現象を実演する。
  論文  参考訳（メタデータ） (2026-04-02T19:34:38Z)
• Prediction of Steady-State Flow through Porous Media Using Machine Learning Models [3.2250618460602705]
  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。
  論文  参考訳（メタデータ） (2026-03-06T14:28:46Z)
• Autoregressive regularized score-based diffusion models for multi-scenarios fluid flow prediction [0.0]
  マルチシナリオ流体流予測のための条件付きスコアベース拡散モデルを提案する。 我々のモデルは乱流の統計的性質に根ざしたエネルギー制約を統合する。 重要な物理特性と統計特性を保持しながら、複数のシナリオにわたる正確な結果を達成する。
  論文  参考訳（メタデータ） (2025-05-30T02:37:05Z)
• An Efficient Hierarchical Preconditioner-Learner Architecture for Reconstructing Multi-scale Basis Functions of High-dimensional Subsurface Fluid Flow [4.303037819686676]
  本研究では,高次元地下流れの多次元基底関数を再構築した効率的な階層型プレコンディショナー・ラーナーアーキテクチャを提案する。 FP-HMsNetは、MSEが0.0036、MAEが0.0375、R2が0.9716に達し、既存のモデルよりも大幅に優れていた。 このモデルは、より複雑な現実世界の応用に期待できる、効率的で正確な地下流動モデリングのための新しい方法を提供する。
  論文  参考訳（メタデータ） (2024-11-01T09:17:08Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• 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)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)
• 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)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。