論文の概要: Droplet-LNO: Physics-Informed Laplace Neural Operators for Accurate Prediction of Droplet Spreading Dynamics on Complex Surfaces

• arxiv url: http://arxiv.org/abs/2604.20993v1
• Date: Wed, 22 Apr 2026 18:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.127794
• Title: Droplet-LNO: Physics-Informed Laplace Neural Operators for Accurate Prediction of Droplet Spreading Dynamics on Complex Surfaces
• Title（参考訳）: 液滴-LNO:複合表面における液滴拡散ダイナミクスの高精度予測のための物理インフォーム型ラプラスニューラル演算子
• Authors: Ganesh Sahadeo Meshram, Partha Pratim Chakrabarti, Suman Chakraborty,
• Abstract要約: 本稿では,物理インフォームドラプラス演算子ニューラルネットワーク(PI-LNO)を提案する。 複雑なラプラス変換を通じて、PI-LNOは拡散過程の指数的過渡ダイナミクスをモデル化する。
• 参考スコア（独自算出の注目度）: 2.963101656293055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spreading of liquid droplets on solid substrates constitutes a classic multiphysics problem with widespread applications ranging from inkjet printing, spray cooling, to biomedical microfluidic systems. Yet, accurate computational fluid dynamic (CFD) simulations are prohibitively expensive, taking more than 18 to 24 hours for each transient computation. In this paper, Physics-Informed Laplace Operator Neural Network (PI-LNO) is introduced, representing a novel architecture where the Laplace integral transform function serves as a learned physics-informed functional basis. Extensive comparative benchmark studies were performed against five other state-of-the-art approaches: UNet, UNet with attention modules (UNet-AM), DeepONet, Physics-Informed UNet (PI-UNet), and Laplace Neural Operator (LNO). Through complex Laplace transforms, PI-LNO natively models the exponential transient dynamics of the spreading process. A TensorFlow-based PI-LNO is trained on multi-surface CFD data spanning contact angles $θ_s ε[20,160]$, employing a physics-regularized composite loss combining data fidelity (MSE, MAE, RMSE) with Navier-Stokes, Cahn-Hilliard, and causality constraints.
• Abstract（参考訳）: 固体基板上の液滴の拡散は、インクジェット印刷、スプレー冷却、バイオメディカルマイクロ流体システムなど幅広い応用において、古典的な多物理問題となっている。 しかし、正確な計算流体力学(CFD)シミュレーションは、過渡計算毎に18時間から24時間以上かかるため、極めて高価である。 本稿では,ラプラス積分変換関数が物理インフォームド関数基底として機能する新しいアーキテクチャとして,Physical-Informed Laplace Operator Neural Network (PI-LNO)を導入した。 UNet, UNet with attention module (UNet-AM), DeepONet, Physics-Informed UNet (PI-UNet), Laplace Neural Operator (LNO) の5つの最新技術アプローチと比較した。 複雑なラプラス変換を通して、PI-LNOは拡散過程の指数的過渡ダイナミクスをネイティブにモデル化する。 TensorFlowベースのPI-LNOは、接触角が$θ_s ε[20,160]$にまたがる多面CFDデータに基づいてトレーニングされ、Navier-Stokes、Cahn-Hilliard、および因果制約を組み合わせた物理規則化された複合損失(MSE、MAE、RMSE)を利用する。

関連論文リスト

• KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
  本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。 そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。 この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-23T13:58:29Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
  金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。 本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。 データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
  論文  参考訳（メタデータ） (2023-07-23T12:12:44Z)
• Learning Generic Solutions for Multiphase Transport in Porous Media via the Flux Functions Operator [0.0]
  DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。 我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
  論文  参考訳（メタデータ） (2023-07-03T21:10:30Z)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• 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)
• Data-driven modeling of Landau damping by physics-informed neural networks [4.728411962159049]
  機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。 このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。 この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
  論文  参考訳（メタデータ） (2022-11-02T10:33:38Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)

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。