論文の概要: CFDTwin: An open-source GUI and Python toolkit for POD-NN surrogate modeling of ANSYS Fluent simulations

• arxiv url: http://arxiv.org/abs/2605.27725v1
• Date: Tue, 26 May 2026 22:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.571385
• Title: CFDTwin: An open-source GUI and Python toolkit for POD-NN surrogate modeling of ANSYS Fluent simulations
• Title（参考訳）: CFDTwin: ANSYS Fluent シミュレーションのPOD-NNサロゲートモデリングのためのオープンソースの GUI と Python ツールキット
• Authors: Daniel Curl, Han Hu,
• Abstract要約: 本稿では、Fluentシミュレーションのための再利用可能なワークフローにこれらのステップをパッケージ化するオープンソースPythonパッケージCFDTwinと、オプションのデスクトップグラフィカルユーザインタフェース(GUI)を紹介する。 CFDTwinは、シミュレーション入力と量出力の定義、実験結果の設計サンプルの生成、フルエントバッチシミュレーションの実行と再開、スカラー、表面フィールド、セルゾーンアウトプットのためのPODNNサロゲートモデルのトレーニング、バリデーションメトリクスの検査、Fluentを再実行せずにトレーニングされたモデルの評価を可能にする。
• 参考スコア（独自算出の注目度）: 9.26582719545864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-fidelity computational fluid dynamics (CFD) is widely used for thermal-fluid design, but repeated CFD solves remain expensive for design optimization, uncertainty analysis, and digital-twin workflows. Recently, our team has demonstrated that a proper orthogonal decomposition and neural-network (POD-NN) surrogate can predict two-dimensional thermal fields in an electronics-cooling cold plate with large inference speedups while preserving physically interpretable modal structure. Reproducing and extending such workflows, however, typically requires custom scripts for parameter sampling, Fluent automation, data extraction, reduced-order model construction, neural-network training, validation, and prediction. This paper introduces CFDTwin, an open-source Python package and optional desktop graphical user interface (GUI) that packages these steps into a reusable workflow for ANSYS Fluent simulations. CFDTwin allows users to define simulation inputs and output quantities, generate design-of-experiments samples, run and resume Fluent batch simulations, train POD-NN surrogate models for scalar, surface-field, and cell-zone outputs, inspect validation metrics, and evaluate trained models at new design points without re-running Fluent. The same workflow is exposed through a scriptable Python API and a GUI, supporting reproducible studies, user-facing model validation, and automated design exploration. CFDTwin extends the prior POD-NN modeling study from a case-specific research implementation to a reusable research-software platform for CFD surrogate modeling and digital-twin development.
• Abstract（参考訳）: 高忠実度計算流体力学(CFD)は熱流体設計に広く用いられているが、設計最適化、不確実性解析、デジタルツインワークフローにおいて繰り返し発生するCFDは高価である。 近年,本研究チームは,物理的に解釈可能なモーダル構造を保ちながら,電子冷却冷板内での適切な直交分解とニューラルネット(POD-NN)サロゲートにより2次元熱場を予測できることを実証した。 しかし、そのようなワークフローを再現および拡張するには、通常、パラメータサンプリング、フルエント自動化、データ抽出、注文モデル構築の削減、ニューラルネットワークトレーニング、バリデーション、予測のためのカスタムスクリプトが必要である。 本稿では、オープンソースのPythonパッケージであるCFDTwinと、これらのステップをANSYS Fluentシミュレーションのための再利用可能なワークフローにパッケージするオプションのデスクトップグラフィカルユーザインタフェース(GUI)を紹介する。 CFDTwinは、シミュレーション入力と出力量の定義、実験サンプルの設計生成、フルエントバッチシミュレーションの実行と再開、スカラー、表面フィールド、セルゾーンアウトプットのためのPOD-NNサロゲートモデルのトレーニング、バリデーションメトリクスの検査、Fluentを再実行せずにトレーニングされたモデルの評価を可能にする。 同じワークフローはスクリプト可能なPython APIとGUIを通じて公開され、再現可能な研究、ユーザ対応モデルのバリデーション、自動設計探索をサポートする。 CFDTwinは、ケース固有の研究実装から、CFDサロゲートモデリングとデジタルツイン開発のための再利用可能な研究ソフトウェアプラットフォームまで、以前のPOD-NNモデリング研究を拡張している。

関連論文リスト

• FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition [10.969341855852276]
  指向性エネルギー沈着(DED)は複雑な熱力学的応答を生じさせ、製造部品の歪みと寸法精度を低下させる。 本稿では,DEDの冷却後変位場を幾何学的およびプロセスパラメータから予測するデータ効率な代理モデルフレームワークであるFLAREを紹介する。 FLAREは各シミュレーションを暗黙のニューラルネットワークとして符号化し、対応するニューラルネットワークの重みを正規化し、入力パラメータ空間のアフィン構造に従う。
  論文  参考訳（メタデータ） (2026-04-17T19:11:27Z)
• SIMSHIFT: A Benchmark for Adapting Neural Surrogates to Distribution Shifts [10.815077158164684]
  ドメイン適応(DA)技術は、視覚や言語処理において、目に見えない構成に関する限られた情報から一般化するために広く使われている。 SIMSHIFTは,4つの産業シミュレーションタスクからなる新しいベンチマークデータセットと評価スイートである。 目的は、地上の真理シミュレーションデータにアクセスすることなく、ターゲットシミュレーションを正確に予測することである。
  論文  参考訳（メタデータ） (2025-06-13T17:56:49Z)
• DoMINO: A Decomposable Multi-scale Iterative Neural Operator for Modeling Large Scale Engineering Simulations [2.300471499347615]
  DoMINOは点クラウドベースの機械学習モデルであり、局所幾何学情報を用いて離散点上の流れ場を予測する。 DoMINOは、DrivAerMLデータセットを使用して、自動車空気力学のユースケースで検証されている。
  論文  参考訳（メタデータ） (2025-01-23T03:28:10Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural Networks [8.736819316856748]
  本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。 曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。 また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T14:39:13Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field Prediction of Heat Source Layout [0.0]
  ディープニューラルネットワーク(DNN)回帰法は、その優れた計算性能のために実現可能な方法です。 本稿では,DNNベースのサロゲートモデリングタスクベンチマークを提案する。 実験は10の最先端のDNNモデルで行われます。
  論文  参考訳（メタデータ） (2021-03-20T13:26:21Z)
• 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)

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。