論文の概要: Accelerated and data-efficient flow prediction in stirred tanks via physics-informed learning

• arxiv url: http://arxiv.org/abs/2605.07444v1
• Date: Fri, 08 May 2026 08:49:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.926143
• Title: Accelerated and data-efficient flow prediction in stirred tanks via physics-informed learning
• Title（参考訳）: 物理インフォームドラーニングによる熱水槽内の加速・データ効率予測
• Authors: Mahdi Naderibeni, Liang Wu, David M. J. Tax,
• Abstract要約: 本研究は, 産業用大船内定常流場学習におけるトレーニングセットの大きさと予測精度の関係について検討した。 我々は、流れ場の暗黙的な神経表現を訓練し、純粋にデータ駆動型と制約付きの比較を行う。 予測誤差はトレーニングデータの増加に伴って単調に減少するが、中程度のデータセットサイズを超えて明らかに減少するリターンを示す。
• 参考スコア（独自算出の注目度）: 5.167427373449915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The simulation of fluid flows is computationally expensive due to the complexity of its governing partial differential equations. Machine learning models offer a potential surrogate, enabling learning from simulations and significantly faster predictions of flow fields. However, these models require large training datasets, which introduces a trade-off between dataset generation cost and predictive accuracy. In this work, we investigate the relationship between the size of the training-set and accuracy of the prediction when learning steady flow fields in an industrial-scale stirred vessel. A data set of steady flows is generated using Reynolds Averaged Navier Stokes (RANS) simulations in a range of realistic operating conditions, including impeller speeds and liquid heights. We train implicit neural representations of flow fields and compare purely data-driven and constrained variants. Model performance is evaluated using global mean squared error (MSE), qualitative spatial comparisons of predicted and reference flow fields, and tracer transport simulations. We find that the prediction error decreases monotonically with increasing training data, but also that it exhibits clear diminishing returns beyond moderate dataset sizes. Physics-based constraints significantly improve accuracy and reduce variability across training runs in low-data regimes, and they lead to more stable tracer-transport behavior. Furthermore, reasonable interpolation can be achieved over different impeller speeds and liquid heights. However, these benefits come with an increase in the complexity of training, and their relative advantage diminishes as the training set grows.
• Abstract（参考訳）: 流体流動のシミュレーションは、その支配的偏微分方程式の複雑さのために計算的に高価である。 機械学習モデルは潜在的サロゲートを提供し、シミュレーションから学習し、流れ場の予測を大幅に高速にする。 しかし、これらのモデルは大規模なトレーニングデータセットを必要とし、データセット生成コストと予測精度のトレードオフをもたらす。 本研究は, 産業用大船内定常流れ場を学習する際のトレーニングセットのサイズと予測精度の関係について検討する。 Reynolds Averaged Navier Stokes (RANS) シミュレーションを用いて, 羽根車の速度や液高など, 様々な現実的な運転条件下で定常流れのデータセットを生成する。 我々は、流れ場の暗黙的な神経表現を訓練し、純粋にデータ駆動型と制約付きの比較を行う。 モデル性能は,大域平均二乗誤差(MSE),予測および参照流れ場の定性的空間比較,トレーサ輸送シミュレーションを用いて評価する。 予測誤差はトレーニングデータの増加に伴って単調に減少するが、中程度のデータセットサイズを超えて明らかに減少するリターンを示す。 物理に基づく制約は精度を著しく改善し、低データのレギュレーションにおけるトレーニング実行間のばらつきを低減し、より安定したトレーサ・トランスポート動作をもたらす。 さらに、異なるインペラ速度と液体高さで合理的な補間を行うことができる。 しかしながら、これらのメリットは、トレーニングの複雑さが増し、トレーニングセットが大きくなるにつれて、相対的なアドバンテージが低下します。

関連論文リスト

• TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
  我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。 我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。 下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
  論文  参考訳（メタデータ） (2025-09-07T09:36:51Z)
• An Active Learning-Based Streaming Pipeline for Reduced Data Training of Structure Finding Models in Neutron Diffractometry [1.3083205962260995]
  本研究では,不確実性サンプリングを用いて確率分布から抽出した学習データをシミュレートする新しいバッチモードアクティブラーニング(AL)ポリシーを提案する。 精度を向上しながら、トレーニングデータの約75%の削減で、同じモデルのトレーニングにおける有効性を確認した。 次に、このALポリシを用いた効率的なストリームベースのトレーニングワークフローの設計について論じ、2つの異種プラットフォームの性能調査を示す。
  論文  参考訳（メタデータ） (2025-06-06T15:48:22Z)
• Comparison of Generative Learning Methods for Turbulence Modeling [1.2499537119440245]
  直接数値シミュレーション (DNS) や大渦シミュレーション (LES) のような高解像度の手法は一般に計算に手頃な価格ではない。 機械学習、特に生成確率モデルにおける最近の進歩は、乱流モデリングのための有望な代替手段を提供する。 本稿では, 変分オートエンコーダ(VAE), ディープ・コンバーサナル・ジェネレータ・ネットワーク(DCGAN), 拡散確率モデル(DDPM)の3つの生成モデルの適用について検討する。
  論文  参考訳（メタデータ） (2024-11-25T14:20:53Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
  排水処理データのトレーニングモデルを改善するための2つの手法を実装した。 実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T10:20:09Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Embedded training of neural-network sub-grid-scale turbulence models [0.0]
  ディープニューラルネットワークモデルの重みは、制御フロー方程式と共に最適化され、サブグリッドスケールの応力のモデルを提供する。 トレーニングは勾配降下法で行われ、随伴ナビエ-ストークス方程式を用いてモデル重みのエンドツーエンドの感度を速度場に与える。
  論文  参考訳（メタデータ） (2021-05-03T17:28:39Z)

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。