論文の概要: A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows
- arxiv url: http://arxiv.org/abs/2606.16765v1
- Date: Mon, 15 Jun 2026 14:15:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.607413
- Title: A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows
- Title（参考訳）: 乱流3次元障害物流のサロゲートモデリングのためのLBMデータセットとパイプラインの検証
- Authors: Lukas Schröder, Shubham Kavane, Harald Köstler,
- Abstract要約: 本研究では,Re=1,000-10,000で発生したジオメトリー周辺の3次元チャネルフローの学習データを生成するパイプラインを提案する。
累積衝突演算子を用いた格子ボルツマン解法を実験的に検証した。
本稿では,予測,超解像,誤り訂正タスクにおけるフーリエニューラル演算子とU-Netの系統的評価について概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evaluating neural operators for 3D turbulent flow requires validated datasets with physical benchmarks. We present a reproducible pipeline generating training data for 3D channel flows around generated geometries at Re=1,000-10,000. Our lattice Boltzmann solver with cumulant collision operators is rigorously verified against experimental measurements (Strouhal number, drag coefficients, turbulent fluctuations) with comprehensive grid convergence studies at resolution 1024x512x512. Building upon an established framework, this validated pipeline enables standardized surrogate model comparison. We outline planned systematic evaluation of Fourier Neural Operator and U-Net variants on forecasting, super-resolution, and error correction tasks, using physics-informed metrics to assess turbulent energy cascade representation. Future work will compare computational efficiency between numerical solvers and neural surrogates, exploring practical application. We seek community feedback on our validation approach, planned benchmark methodology, and evaluation priorities for neural operators in turbulent flows.
- Abstract（参考訳）: 3次元乱流に対するニューラル演算子の評価には,物理ベンチマークによる検証データセットが必要である。
本研究では,Re=1,000-10,000で生成したジオメトリ周辺の3次元チャネルフローの学習データを生成する再現可能なパイプラインを提案する。
累積衝突演算子を用いた格子ボルツマン解法を,分解能1024x512x512における網羅的格子収束解析による実験値(ストローハル数, ドラッグ係数, 乱流変動)に対して厳密に検証した。
確立されたフレームワークに基づいて構築されたこの検証パイプラインは、標準化された代理モデル比較を可能にする。
本稿では, 予測, 超解像, 誤り訂正タスクにおけるフーリエニューラル演算子とU-Netの系統的評価について, 物理インフォームド・メトリクスを用いて, 乱流エネルギーカスケード表現の評価を行った。
今後の研究は、数値解法とニューラルサロゲートの計算効率を比較し、実用的な応用を探求する。
我々は,我々の検証手法,計画されたベンチマーク手法,乱流中のニューラル演算子の評価優先について,コミュニティのフィードバックを求める。
関連論文リスト
- PARM: Pipeline-Adapted Reward Model [60.769414637325326]
リワードモデル(RM)は、大規模言語モデル(LLM)を人間の好みと整合させることの中心であり、高度な復号化戦略を推進している。
これまでの作業はシングルステップ生成に重点を置いていたが、現実のアプリケーションはますますマルチステージパイプラインを採用するようになっている。
我々は、最適化のためのコード生成を通じてこれを調査し、報酬モデルを定式化とソリューション段階の両方に統合するパイプラインを構築する。
論文 参考訳（メタデータ） (2026-04-20T14:29:08Z) - WeirNet: A Large-Scale 3D CFD Benchmark for Geometric Surrogate Modeling of Piano Key Weirs [0.4837272320474764]
WeirNetは、PKWの幾何学的代理モデリングのための大規模な3次元CFDベンチマークデータセットである。
ワイアネットは3,794のパラメトリック、実現可能性に制約された長方形および台形PKW測地を含んでいる。
パラメトリックディスクリプタ上の木ベースの回帰器は、最高の全体的な精度を達成する一方、ポイントベースのモデルとメッシュベースのモデルは競争力を持ち、パラメータ化に依存しない推論を提供する。
論文 参考訳（メタデータ） (2026-02-24T09:19:28Z) - Surrogate Modeling for Neutron Transport: A Neural Operator Approach [7.289597749952393]
この研究は、中性子輸送計算のためのニューラルネットワークに基づく代理モデリングフレームワークを導入する。
Deep Operator Network (DeepONet) と Fourier Neural Operator (FNO) の2つのアーキテクチャが、固定ソース問題のために訓練された。
両神経オペレーターは、DeepONetで135 pcm、FNOで112 pcmまでずれた基準固有値を再現した。
論文 参考訳（メタデータ） (2026-02-07T00:56:07Z) - 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。
我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。
その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
論文 参考訳（メタデータ） (2025-03-21T16:40:48Z) - 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) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - 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) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z)
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。