論文の概要: Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors
- arxiv url: http://arxiv.org/abs/2606.22084v1
- Date: Sat, 20 Jun 2026 15:01:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 22:57:42.619392
- Title: Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors
- Title（参考訳）: パッチフローマッチング:スパースセンサによるトレーニング領域以外の壁圧復元
- Authors: Meet Hemant Parikh, Yi Liu, Jian-Xun Wang,
- Abstract要約: 短領域数値シミュレーションとスパースセンサ計測を融合した生成フレームワークを提案する。
パッチフローマッチングは、トレーニング構成の4倍大きな領域の完全な解像度の壁圧場を再構築する。
- 参考スコア（独自算出の注目度）: 4.202564595152414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Characterizing the complete wall-pressure spectrum in turbulent wall-bounded flows requires simultaneous access to the viscous-scale high-wavenumber content and the outer-layer low-wavenumber content -- a requirement that neither short-domain direct numerical simulation (DNS) nor sparse experimental measurements alone can satisfy. We propose Patched Flow Matching (Patched FM), a generative framework that fuses these two complementary sources by learning a patch-local prior over inner-scaled wall-pressure statistics from short-domain DNS and assimilating sparse sensor measurements at inference time through training-free posterior sampling. The patch-additive decomposition of the flow matching vector field decouples the generative prior from the global domain size, enabling reconstruction on domains arbitrarily larger than the training configuration. By expressing the patch prior in inner-scaled coordinates, where high-wavenumber wall-pressure statistics are approximately Reynolds-number invariant, the framework extends to higher Reynolds numbers through hierarchical transfer learning with as few as $500$ short-domain snapshots ($2.5\%$ of the base training data) at a fraction of the scratch-training cost. Applied to compressible channel-flow DNS at $Re_τ= 180$, $500$, and $1000$, Patched FM reconstructs full-resolution wall-pressure fields on a domain four times larger than the training configuration ($L_x^L = 16πδ$ versus $L_x^S = 4πδ$) from sensor coverage as low as $0.25\%$, recovering the low-wavenumber spectral content inaccessible to short-domain DNS with high fidelity in both streamwise and spanwise directions. Zero-shot generalization to unseen Reynolds numbers and ablation studies further confirm the role of inner scaling as a physical prerequisite for data-efficient Reynolds-number transfer.
- Abstract（参考訳）: 乱流境界流における完全な壁圧スペクトルを特徴付けるには、粘性スケールの高波数コンテンツと外層低波数コンテンツに同時アクセスする必要がある。
我々は,これらの2つの相補的ソースを融合する生成フレームワークであるPatched Flow Matching (Patched FM)を提案する。
フローマッチングベクトル場のパッチ付加分解は、大域的なドメインサイズから生成前の領域を分離し、トレーニング構成よりも任意に大きいドメインの再構成を可能にする。
高波数壁圧統計が約レイノルズ数の不変量である内部スケール座標において、パッチを前もって表現することにより、このフレームワークは階層的な転送学習を通じて、スクラッチトレーニングコストのごく一部で500ドルまでのショートドメインスナップショット(ベーストレーニングデータの2.5 %)で、より高いレイノルズ数にまで拡張する。
圧縮可能なチャネルフローDNSを$Re_τ=180$、$500$、$000$で適用すると、Patched FMは、トレーニング設定の4倍大きいドメイン上のフル解像度の壁圧フィールド($L_x^L = 16πδ$対$L_x^S = 4πδ$)をセンサーカバレッジから0.25\%$で再構築し、低波長のスペクトルコンテンツを、ストリームとスパンの両方で高い忠実さで短波長DNSに到達できない状態に復元する。
目に見えないレイノルズ数へのゼロショット一般化とアブレーション研究により、データ効率のよいレイノルズ数移動の物理的前提条件として内部スケーリングが果たす役割がさらに確認される。
関連論文リスト
- Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。
拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。
LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
論文 参考訳（メタデータ） (2025-11-11T08:40:28Z) - Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models [50.260693393896716]
拡散モデル(DM)は高忠実度画像を生成できる強力な生成モデルであるが、高い計算コストで制約される。
我々は、事前訓練されたパラメータを変更することなく、生成スケジュールとモデルアーキテクチャを協調的に最適化する、トレーニング不要なNASフレームワークFlexiffusionを提案する。
我々の研究は、品質を犠牲にすることなく高速DMを検索するための資源効率の良いパラダイムを開拓した。
論文 参考訳（メタデータ） (2025-06-03T06:02:50Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Predicting the wall-shear stress and wall pressure through convolutional
neural networks [1.95992742032823]
本研究では,畳み込み型ニューラルネットワークが乱流開水路内の壁量を予測する能力を評価することを目的とした。
FCNの予測は、提案したR-Netアーキテクチャの予測と比較される。
R-Netはまた、速度変動場を$y+ = 50$で予測できる。
論文 参考訳（メタデータ） (2023-03-01T18:03:42Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for
Extended Domains applied to Multiphase Flow in Pipes [0.0]
ドメイン分解フレームワーク内で,AIをベースとした非侵襲的低次モデルを提案する。
トレーニングで使用するドメインよりもはるかに大きなドメインの予測を行うことができる。
高忠実度CFDシミュレーションでAI-DDNIROMを訓練した水平管内の多相スラグ流に適用した。
論文 参考訳（メタデータ） (2022-02-13T00:32:17Z) - Predicting the near-wall region of turbulence through convolutional
neural networks [0.0]
乱流開水路流れにおける近接壁挙動を予測するためのニューラルネットワークに基づく手法について検討した。
完全畳み込みネットワーク(FCN)は,2次元速度変動場を$y+_rmターゲット$で予測するために訓練される。
FCNは流れの対数領域の自己相似性を生かし、速度変動場を$y+ = 50$で予測することができる。
論文 参考訳（メタデータ） (2021-07-15T13:58:26Z) - Convolutional-network models to predict wall-bounded turbulence from
wall quantities [0.0]
乱流開水路流れにおける壁面異常位置の2次元速度変動場を予測するために2つのモデルを訓練した。
最初のモデルは、揺らぎを直接予測する完全畳み込みニューラルネットワーク(FCN)である。
後者は正規直交基底関数の線形結合を用いて流れ場を再構成する。
論文 参考訳（メタデータ） (2020-06-22T17:57:40Z) - Prediction of wall-bounded turbulence from wall quantities using
convolutional neural networks [0.0]
完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。
様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
論文 参考訳（メタデータ） (2019-12-30T15:34:41Z)
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。