論文の概要: Prediction of Viscoelastic Droplet Impact Dynamics Using a Vision Transformer-Based Approach

• arxiv url: http://arxiv.org/abs/2606.23940v1
• Date: Mon, 22 Jun 2026 21:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.689504
• Title: Prediction of Viscoelastic Droplet Impact Dynamics Using a Vision Transformer-Based Approach
• Title（参考訳）: 視覚変換器を用いた粘弾性液滴衝突ダイナミクスの予測
• Authors: Diego A. de Aguiar, Cassio M. Oishi,
• Abstract要約: 固体表面への液滴の影響は複雑な流体力学の問題であり、スプレー冷却、インクジェット印刷、医薬品加工に応用されている。 数値シミュレーションはこれらの力学を研究するために広く用いられているが、複数のパラメトリック変動を考慮した場合、計算コストは顕著になる。 固体表面に衝突する粘弾性液滴の時間的変化を予測するために,ビデオビジョントランス (ViViT) アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Droplet impact on solid surfaces is a complex fluid dynamics problem with applications in spray cooling, inkjet printing, and pharmaceutical processing. Although numerical simulations are widely used to investigate these dynamics, their computational cost becomes significant when multiple parametric variations are considered. In this work, we investigate the use of a Video Vision Transformer (ViViT) architecture to predict the temporal evolution of viscoelastic droplets impacting solid surfaces using volume fraction fields obtained from the Volume of Fluid (VOF) method. In Newtonian fluids, impact dynamics are mainly characterized by the Reynolds number $Re$, representing the ratio of inertial to viscous forces, and the Weber number $We$, representing the ratio of inertial to surface tension forces. For viscoelastic fluids, additional parameters are required to account for elastic effects, namely the solvent viscosity ratio $β$ and the Weissenberg number $Wi$, increasing simulation complexity and cost. Instead of simulating the entire droplet dynamics, the proposed approach uses only the initial 10% to 20% of the simulation to predict the remaining evolution. Depending on the prediction configuration, this strategy reduces computational cost by approximately 80% to 90% compared to full numerical simulations. The ViViT produces physically consistent predictions across different parameters and prediction horizons, successfully capturing both spreading and bouncing regimes while preserving geometric features and structural similarity. Since volume fraction fields can also be extracted from experimental videos, the proposed framework could be extended to incorporate experimental data during training, potentially improving the physical fidelity of the predicted dynamics.
• Abstract（参考訳）: 固体表面への液滴の影響は複雑な流体力学の問題であり、スプレー冷却、インクジェット印刷、医薬品加工に応用されている。 数値シミュレーションはこれらの力学の研究に広く用いられているが、複数のパラメトリック変動を考慮した場合、計算コストは著しく向上する。 本研究では,Volume of Fluid (VOF) 法を用いて,固体表面に衝突する粘弾性液滴の時間的変化を予測するために,ビデオビジョントランスフォーマ (ViViT) アーキテクチャを用いて検討する。 ニュートン流体では、衝撃力学は主にレイノルズ数$Re$(慣性対粘性力の比を表す)とウェバー数$We$(慣性対表面張力の比を表す)によって特徴づけられる。 粘弾性流体では、溶媒粘度比$β$とワイゼンバーグ数$Wi$という弾性効果を考慮に入れ、シミュレーションの複雑さとコストが増大する。 提案手法は、液滴の動力学全体をシミュレーションする代わりに、シミュレーションの初期10%から20%しか使われていない。 予測設定に応じて、この戦略は完全な数値シミュレーションと比較して計算コストを約80%から90%削減する。 ViViTは、異なるパラメータと予測水平線をまたいだ物理的に一貫した予測を生成し、幾何学的特徴と構造的類似性を保ちながら、拡散とバウンシングの両方のレシエーションを捕捉することに成功した。 実験ビデオから体積分数フィールドを抽出できるため、提案フレームワークはトレーニング中に実験データを組み込むように拡張することができ、予測されたダイナミクスの物理的忠実性を向上させる可能性がある。

関連論文リスト

• Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics [3.712898298472801]
  非ニュートン流体の流動挙動を効率的に予測するグラフニューラルネットワーク(GNN)モデルを提案する。 粘度が一定であるニュートン流体の伝統的なアルゴリズムは、非ニュートンの場合に適用した場合に収束する。 我々は,非ニュートンパワー・ロー流体シミュレーションの計算効率を向上させるために,GNNに基づく新しい数値モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:14:58Z)
• Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
  本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。 レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-01-31T17:51:14Z)
• A finite element-based machine learning model for hydro-mechanical analysis of swelling behavior in clay-sulfate rocks [1.9489690270805868]
  粘土-硫酸塩岩の加水-機械的挙動、特に膨らみ特性は、地球工学において重要な課題である。 本研究では,これらの複雑な地質資料の膨潤挙動を予測・解析するために,ベイズ最適化アルゴリズムで調整したハイブリッド制約機械学習(ML)モデルを提案する。 本研究は, 粘土硫酸塩岩の膨潤挙動を予測するためのモデルの有効性を実証し, 被害地域のリスク評価と管理のための堅牢なツールを提供する。
  論文  参考訳（メタデータ） (2025-01-29T10:19:18Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach [0.0]
  本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。 LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。 幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
  論文  参考訳（メタデータ） (2024-03-24T13:32:42Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)

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。