論文の概要: Advances in Scientific Machine Learning for Coupled Fluid Flow and Transport

• arxiv url: http://arxiv.org/abs/2606.19562v1
• Date: Wed, 17 Jun 2026 20:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.519814
• Title: Advances in Scientific Machine Learning for Coupled Fluid Flow and Transport
• Title（参考訳）: 連成流体流と輸送のための科学機械学習の進歩
• Authors: Gabriel F. Barros, Rômulo M. Silva, Alvaro L. G. A. Coutinho,
• Abstract要約: 本章では,流体流動と輸送現象をモデル化するためのSciML(SciML)の進歩についてレビューする。 この章では、効率的な代理モデルを構築するための最先端のSciML手法を調査している。 SciMLは複雑な結合システムの高速かつ正確な近似を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This chapter reviews recent advances in Scientific Machine Learning (SciML) for modeling coupled fluid flow and transport phenomena governed by the incompressible Navier-Stokes and scalar transport equations. Such systems, found in applications like turbidity currents and thermal convection, feature strong nonlinear coupling and multiscale behavior that make high-fidelity simulations computationally expensive. To address this, the chapter surveys state-of-the-art SciML methods for building efficient surrogate models, including linear reduced-order techniques based on Singular Value Decomposition (such as Dynamic Mode Decomposition) and nonlinear neural network approaches like Physics-Informed Neural Networks (PINNs) and $β$-Variational Autoencoders ($β$-VAEs). It first covers the authors' work combining these models with High Performance Computing strategies, including Adaptive Mesh Refinement/Coarsening (AMR/C) and scientific floating-point data compression. It then presents two new contributions: surrogate modeling of turbidity currents via PINNs, and the extraction of disentangled nonlinear modes from thermal flows using $β$-VAEs. Governing equations and representative benchmarks, including lock-exchange flows and Rayleigh-Bénard convection, illustrate these methodologies. The chapter is intentionally long, covering both the mathematical and physical foundations of coupled fluid flow and the computational aspects of state-of-the-art modeling. Overall, it demonstrates how SciML enables fast, accurate approximations of complex coupled systems within the specific data regimes and modeling assumptions considered, while substantially reducing computational cost relative to full-order simulations. Broader capabilities such as real-time prediction and uncertainty quantification remain active research directions whose feasibility depends strongly on the problem at hand.
• Abstract（参考訳）: 本章では,非圧縮性ナビエ-ストークスおよびスカラー輸送方程式が支配する流体流と輸送現象をモデル化するためのSciML(SciML)の最近の進歩を概説する。 濁り電流や熱対流などの応用で見られるそのようなシステムは、強い非線形結合と多スケールの挙動を特徴とし、高忠実度シミュレーションを計算的に高価なものにしている。 これを解決するために、この章では、Singular Value Decomposition(動的モード分解など)に基づく線形リダクション手法や、Physics-Informed Neural Networks(PINN)や$β$-Variational Autoencoders(β$-VAEs)のような非線形ニューラルネットワークアプローチなど、効率的なサロゲートモデルを構築するための最先端のSciML手法を調査している。 最初は、Adaptive Mesh Refinement/Coarsening (AMR/C)や科学的な浮動小数点データ圧縮など、これらのモデルと高性能コンピューティング戦略を組み合わせた著者の仕事について取り上げている。 次に、PINNによる濁り電流の代理モデリングと、$β$-VAEsを用いた熱流からの不整合非線形モードの抽出という2つの新しい寄与を示す。 ロック交換フローやレイリー・ベナード対流を含むゲバリング方程式と代表的なベンチマークは、これらの方法論を説明する。 この章は意図的に長く、結合流体の流れの数学的および物理的基礎と最先端のモデリングの計算的側面の両方をカバーしている。 全体として、SciMLは特定のデータ構造やモデル化の前提として考慮された複雑な結合システムの高速かつ正確な近似を可能にし、フルオーダーのシミュレーションと比較して計算コストを大幅に削減する。 リアルタイム予測や不確実性定量化のようなより広い能力は、その実現可能性が目前にある問題に強く依存する活発な研究方向のままである。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications [3.8347851078346427]
  本研究は, 加圧水型原子炉における高忠実度計算流体力学(CFD)および組立レベル流動特性評価のためのデータ駆動モデリングフレームワークを提案する。 ポンプ誘起スワール境界条件による過渡的シミュレーションを可能にするために, 一般に利用可能な幾何学的条件と操作条件を用いて, フルロープルおよびコア・インレット領域を構築した。 その結果, コールドレッグスワールおよびロウアープレナム輸送は, 特に下部コア付近において, 組立方向のインレットフロー分布を強く均一に生成することがわかった。 3次元畳み込み型塗装モデルによる部分観察による組立レベル質量流量の復元に成功した
  論文  参考訳（メタデータ） (2026-05-23T22:50:23Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)

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。