論文の概要: Learning Interface Breakup: A Geometry-Conditioned Latent Surrogate for Spray Formation
- arxiv url: http://arxiv.org/abs/2606.16587v1
- Date: Mon, 15 Jun 2026 11:32:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.48613
- Title: Learning Interface Breakup: A Geometry-Conditioned Latent Surrogate for Spray Formation
- Title（参考訳）: 学習インタフェースのブレークアップ: 噴霧形成のための幾何条件付潜水型サロゲート
- Authors: Julius H Ramlau, Friedrich Hastedt, Tolga Birdal, Ehecatl-Antonio del Río Chanona, Nausheen S Basha, Omar K Matar,
- Abstract要約: アダプティブメッシュリファインメント(AMR)を用いた高忠実ボリューム・オブ・フルード(VOF)シミュレーションは、反復的な設計探索には高すぎる。
我々は,AMRセル密度場を符号化することにより,この問題に対処する797個の2相ノズルシミュレーションで訓練した幾何学条件付潜水剤を提案する。
ホールドアウトシミュレーションでは、1軌道当たり0.045秒まで推論時間を削減するとともに、キーインターフェースのダイナミクスを正確にキャプチャする。
- 参考スコア（独自算出の注目度）: 16.92031035309742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing spray nozzles requires predicting how geometry shapes transient two-phase breakup, but high-fidelity volume-of-fluid (VOF) simulations with adaptive mesh refinement (AMR) are too expensive for iterative design exploration. Standard surrogate models are also challenged by this setting because both the liquid--gas interface and the underlying adaptive discretization evolve across time and geometries. We introduce a geometry-conditioned latent surrogate trained on 797 two-phase nozzle simulations that addresses this by encoding the AMR cell-density field, rather than the full multi-channel flow state, as a compact proxy for where the solver concentrates resolution. From this representation, the model reconstructs transient density evolution and nozzle geometry, and a lightweight second stage recovers the remaining flow variables. On held-out simulations, the method accurately captures key interface dynamics while reducing inference time to 0.045 seconds per trajectory, corresponding to a speed-up of more than $6\times10^4$ relative to Basilisk CFD. These results suggest that AMR refinement structure can serve as a compact and learnable representation for geometry-conditioned surrogate modeling of transient two-phase flows.
- Abstract（参考訳）: 噴霧ノズルの設計には、幾何形状が過渡二相分裂をどのように予測するかが必要となるが、適応メッシュ精錬(AMR)を用いた高忠実体積(VOF)シミュレーションは、反復的な設計探索には高すぎる。
標準サロゲートモデルは、液体-ガス界面と基礎となる適応的な離散化の両方が時間と測地にわたって進化するため、この設定によっても挑戦される。
そこで本研究では,AMRセル密度場を符号化することで,AMRセル密度場を符号化する797二相ノズルシミュレーションを応用した形状条件付潜水サロゲートを,分解能を集中するコンパクトなプロキシとして導入する。
この表現から、モデルは過渡密度の進化とノズル形状を再構成し、軽量の第2段階は残りの流れの変数を復元する。
ホールドアウトシミュレーションでは、Basilisk CFD と比較して 6\times10^4$ 以上のスピードアップに対応して、1軌道あたりの推論時間を0.045秒に短縮し、キーインターフェースのダイナミクスを正確にキャプチャする。
これらの結果は,AMR微細化構造が過渡二相流の幾何条件シュロゲートモデリングのためのコンパクトかつ学習可能な表現として機能することを示唆している。
関連論文リスト
- Drifting Models for Surrogate Flow Modeling [0.4925906256430175]
学習されたVAE潜在空間でドリフトを行う条件付きアーキテクチャを導入し,ラベル認識マスキングを用いて生成したサンプルを境界条件に整列させる。
我々のモデルは、2桁の精度と流れの整合性の反復拡散に一致し、2桁の速度で実行することができる。
論文 参考訳（メタデータ） (2026-06-05T17:35:09Z) - D$^2$Turb: Depth-Aware Simulation and Decoupled Learning for Single-Frame Atmospheric Turbulence Mitigation [17.13838108128404]
単一フレームの大気乱流の緩和は、空間的に異なるぼやけと非剛性な幾何学的歪みのために本質的に不均一である。
D$2$Turbは、物理基底シミュレーションを明示的に分離した復元でブリッジする統合フレームワークである。
このシミュレーションエンジンに基づいて、D$2$Turbは修復を2つのインタラクティブステージ(テクスチャ劣化と幾何学的整合)に分解する。
論文 参考訳（メタデータ） (2026-05-25T20:25:25Z) - Predictive Feature Caching for Training-free Acceleration of Molecular Geometry Generation [67.20779609022108]
フローマッチングモデルは、高忠実度分子ジオメトリを生成するが、推論中にかなりの計算コストを発生させる。
本研究は,分子幾何生成を加速する学習自由キャッシング戦略について論じる。
GEOM-Drugsデータセットの実験は、キャッシングがウォールクロックの推測時間の2倍の削減を実現することを示した。
論文 参考訳（メタデータ） (2025-10-06T09:49:14Z) - Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。
学習力学をさらに強化するために,平均速度損失を導入する。
シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-10-02T11:32:00Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Towards scalable surrogate models based on Neural Fields for large scale aerodynamic simulations [0.0]
本稿では,ニューラルネットワークに基づく空力応用のための新しい代理モデリングフレームワークを提案する。
提案手法であるMARIOは、効率的な形状符号化機構によって非パラメトリックな幾何学的変動に対処する。
フル解像度の推論中に一貫した精度を維持しながら、大幅にダウンサンプルされたメッシュのトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-05-14T10:49:08Z) - A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳（メタデータ） (2024-12-12T16:05:39Z) - Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。
CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。
グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
論文 参考訳（メタデータ） (2023-07-10T09:59:35Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳（メタデータ） (2021-06-10T13:07:33Z)
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。