論文の概要: Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2606.06313v1
• Date: Thu, 04 Jun 2026 15:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.919725
• Title: Wall Shear Stress Reconstruction from Concentration: Differentiable Physics and Physics-Informed Neural Networks
• Title（参考訳）: 濃度からの壁面せん断応力の復元-微分可能物理と物理インフォームドニューラルネットワーク-
• Authors: Mahmoud Elhadidy, Siva Viknesh, Roshan M. D'Souza, Amirhossein Arzani,
• Abstract要約: 壁せん断応力は近壁輸送動態を制御し,循環動態における重要な血行動態指標である。 本研究では,空間的に制限されたパッシブスカラー観測から,2つの基本的異なる逆フレームワークを用いた再構成を実証する。 提案フレームワークは,スカラー輸送データから壁近傍の血行動態を推定するための経路を開き,流体流動問題に広く適用可能である。
• 参考スコア（独自算出の注目度）: 0.39998518782208775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wall shear stress (WSS) governs near-wall transport dynamics and is a key hemodynamic indicator in cardiovascular flows, yet remains difficult to infer accurately due to the need for precise computation of near-wall velocity gradients. Passive scalar fields, such as concentration or temperature, are advected by the same underlying velocity field and have the potential to uncover hidden flow physics metrics such as WSS. In this work, we demonstrate such reconstruction from spatially limited passive scalar observations using two fundamentally different inverse frameworks: a differentiable physics framework based on discrete adjoint, PDE-constrained optimization, which enforces the governing equations as hard constraints, and physics-informed neural networks (PINNs), which treat them as soft constraints. Benchmark problems include a 2D canonical backward-facing step (2D-BFS) and a 3D patient-specific stenotic coronary artery. For the 2D-BFS case, evaluated under three measurement scenarios (near-wall, far-field, and combined), PINN achieves high accuracy when near-wall data are available but fails when restricted to far-field measurements, whereas the differentiable physics approach recovers accurate WSS across all scenarios. In the 3D patient-specific case, the differentiable physics framework outperforms PINNs, yielding accurate WSS reconstruction. These results establish that measurement location and inverse formulation jointly determine reconstruction fidelity in scalar-based near-wall flow inference. The proposed framework opens a path toward estimation of near-wall hemodynamics from scalar transport data, with broader applicability to fluid flow problems where passive scalars can be observed.
• Abstract（参考訳）: 壁せん断応力 (WSS) は, 壁近傍の輸送動態を制御し, 循環動態の指標として重要であるが, 壁近傍の速度勾配を正確に計算する必要があるため, 正確に推測することは困難である。 濃度や温度などのパッシブスカラー場は、同じ基礎となる速度場によって検出され、WSSのような隠れた流れの物理指標を明らかにする可能性がある。 本研究では、離散随伴に基づく微分可能な物理フレームワーク、PDE制約付き最適化、厳密な制約として支配方程式を強制するPDE制約付き最適化、それらをソフトな制約として扱う物理インフォームドニューラルネットワーク(PINN)の2つの基本的な逆フレームワークを用いて、空間的に制限されたパッシブスカラー観測から、そのような再構成を実証する。 ベンチマーク上の問題としては、2D標準逆行性ステップ(2D-BFS)と3D患者固有の狭窄性冠動脈がある。 2D-BFSの場合、2D-BFSの場合、3つの測定シナリオ(ニアウォール、遠距離フィールド、組み合わせ)で評価され、PINNは、ニアウォールデータが利用可能であるが、遠距離フィールドの測定に制限された場合には失敗する。 3D患者特異的な場合、差別化可能な物理フレームワークはPINNよりも優れ、正確なWSS再構成をもたらす。 これらの結果から,スカラーベースニアウォールフロー推論において,測定位置と逆定式化が共同で再現率を決定することが確認された。 提案フレームワークは,スカラー輸送データから壁近傍の血行動態を推定するための経路を開き,受動スカラーを観測可能な流動問題に適用可能である。

関連論文リスト

• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• Differentiable Autoencoding Neural Operator for Interpretable and Integrable Latent Space Modeling [0.24554686192257422]
  科学機械学習は、線形および非線形性低減技術を用いて、高次元フローデータから物理的洞察を抽出することを可能にする。 これらの進歩にもかかわらず、潜在空間における解釈性は依然として課題である。 本稿では, 物理的に解釈可能なラテント空間を構成するDIDIANiable Autoencoding Neural Operator (O)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T19:57:52Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Advancing Generalization in PINNs through Latent-Space Representations [71.86401914779019]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて大きな進歩を遂げた。 本稿では,多種多様なPDE構成を効果的に一般化する物理インフォームドニューラルPDE解法PIDOを提案する。 PIDOは1次元合成方程式と2次元ナビエ・ストークス方程式を含む様々なベンチマークで検証する。
  論文  参考訳（メタデータ） (2024-11-28T13:16:20Z)
• Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
  三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。 我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。 本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
  論文  参考訳（メタデータ） (2022-12-09T18:16:06Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)

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。