論文の概要: Nested Fourier-enhanced neural operator for efficient modeling of radiation transfer in fires

• arxiv url: http://arxiv.org/abs/2604.13919v1
• Date: Wed, 15 Apr 2026 14:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.580572
• Title: Nested Fourier-enhanced neural operator for efficient modeling of radiation transfer in fires
• Title（参考訳）: 火災における放射線伝達の効率的なモデリングのためのネストフーリエ強化ニューラル演算子
• Authors: Anran Jiao, Wengyao Jiang, Xiaoyi Lu, Yi Wang, Lu Lu,
• Abstract要約: 火災シミュレーションにおける計算コストの主な原因は、放射線伝達のモデリングである。 本稿では、フーリエ強化多重入力ニューラル演算子に基づく機械学習フレームワークを提案する。 提案手法は3次元可変HRRシナリオに対して2-4%の大域的相対誤差を実現する。
• 参考スコア（独自算出の注目度）: 3.9093934404748065
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational fluid dynamics (CFD) has become an essential tool for predicting fire behavior, yet maintaining both efficiency and accuracy remains challenging. A major source of computational cost in fire simulations is the modeling of radiation transfer, which is usually the dominant heat transfer mechanism in fires. Solving the high-dimensional radiative transfer equation (RTE) with traditional numerical methods can be a performance bottleneck. Here, we present a machine learning framework based on Fourier-enhanced multiple-input neural operators (Fourier-MIONet) as an efficient alternative to direct numerical integration of the RTE. We first investigate the performance of neural operator architectures for a small-scale 2D pool fire and find that Fourier-MIONet provides the most accurate radiative solution predictions. The approach is then extended to 3D CFD fire simulations, where the computational mesh is locally refined across multiple levels. In these high-resolution settings, monolithic surrogate models for direct field-to-field mapping become difficult to train and computationally inefficient. To address this issue, a nested Fourier-MIONet is proposed to predict radiation solutions across multiple mesh-refinement levels. We validate the approach on 3D McCaffrey pool fires simulated with FireFOAM, including fixed fire sizes and a unified model trained over a continuous range of heat release rates (HRRs). The proposed method achieves global relative errors of 2-4% for 3D varying-HRR scenarios while providing faster inference than the estimated cost of one finite-volume radiation solve in FireFOAM for the 16-solid-angle case. With fast and accurate inference, the surrogate makes higher-fidelity radiation treatments practical and enables the incorporation of more spectrally resolved radiation models into CFD fire simulations for engineering applications.
• Abstract（参考訳）: 計算流体力学(CFD)は, 火の挙動を予測するための重要なツールとなっているが, 効率と精度の両立は依然として困難である。 火災シミュレーションにおける計算コストの主な原因は、通常、火災における支配的な熱伝達機構である放射伝達のモデル化である。 高次元放射移動方程式(RTE)を従来の数値法で解くことは性能ボトルネックとなる。 本稿では,Fourier-enhanced multiple-input neural operator(Fourier-MIONet)に基づく機械学習フレームワークを提案する。 まず,小型2次元プール火災に対するニューラルネットワークアーキテクチャの性能について検討し,Fourier-MIONetが最も正確な放射性解予測を提供することを確認した。 このアプローチは3D CFDファイアシミュレーションに拡張され、計算メッシュは複数のレベルにわたって局所的に洗練される。 これらの高解像度設定では、直接場間マッピングのためのモノリシックサロゲートモデルは訓練が困難になり、計算的に非効率になる。 この問題に対処するために、複数のメッシュリファインメントレベルにわたる放射解を予測するために、ネストされたフーリエ・マイノネットが提案されている。 本研究では,FireFOAMを模擬した3次元マカフリープール火災に対するアプローチを検証する。 提案手法は3次元可変HRRシナリオに対して2-4%の大域的相対誤差を達成し, 実測値よりも高速な推定を行う。 高速かつ正確な推測により、サロゲートは高忠実度放射線処理を実用化し、よりスペクトル分解された放射線モデルをCFD火災シミュレーションに組み込むことを可能にした。

関連論文リスト

• A Fast and Generalizable Fourier Neural Operator-Based Surrogate for Melt-Pool Prediction in Laser Processing [0.0]
  本稿では,様々なレーザプロセスのパラメトリック解演算子を学習するサロゲートモデルであるLaser Processing Fourier Neural Operator (LP-FNO)を提案する。 提案するLP-FNOは, プロセスパラメータを3次元温度場と広いプロセスウィンドウ間の溶融プール境界にマッピングする。 粗大分解能データに基づいてトレーニングされたLP-FNOモデルを,より微細な格子上で評価し,メッシュ収束導電系における正確な予測を導出できることを実証した。
  論文  参考訳（メタデータ） (2026-02-05T22:39:50Z)
• Feasibility Study of CNNs and MLPs for Radiation Heat Transfer in 2-D Furnaces with Spectrally Participative Gases [0.3495246564946556]
  そこで我々は,2次元壁状領域における放射熱伝達解を近似する代理モデルを構築した。 この研究の独創性は、CNNアーキテクチャに適合するために問題(ガスと壁の特性)の入力を適応させることにある。 CNNアーキテクチャの性能は、より古典的なアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2025-06-02T14:06:44Z)
• FOF-X: Towards Real-time Detailed Human Reconstruction from a Single Image [64.96903230497755]
  本稿では,1枚の画像から詳細な人物形状をリアルタイムに再現するFOF-Xを提案する。 FOFの中核は、3次元占有体を2次元ベクトル場に分解し、3次元領域内の位相的および空間的関係を維持することである。 FOFに基づく新しい再構成フレームワークFOF-Xを設計し,テクスチャや照明による性能劣化を回避する。
  論文  参考訳（メタデータ） (2024-12-08T14:46:29Z)
• RS-vHeat: Heat Conduction Guided Efficient Remote Sensing Foundation Model [59.37279559684668]
  本稿では,効率的なマルチモーダルリモートセンシング基盤モデルであるRS-vHeatを紹介する。 具体的には、RS-vHeatは、O(N1.5)$の複雑さを持つ熱伝導演算子(HCO)と、大域的受容場を適用している。 注意に基づくリモートセンシング基礎モデルと比較して、メモリ使用量を84%削減し、FLOPを24%削減し、スループットを2.7倍改善する。
  論文  参考訳（メタデータ） (2024-11-27T01:43:38Z)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)

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。