論文の概要: Neural Network-Based Parametric Model Reduction for Predicting Turbulent Flow for Different Vehicle Geometries

• arxiv url: http://arxiv.org/abs/2606.24265v1
• Date: Tue, 23 Jun 2026 07:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.832522
• Title: Neural Network-Based Parametric Model Reduction for Predicting Turbulent Flow for Different Vehicle Geometries
• Title（参考訳）: 異なる車両測地における乱流予測のためのニューラルネットワークに基づくパラメトリックモデル削減
• Authors: Kazuto Ando, Rahul Bale, Akiyoshi Kuroda, Makoto Tsubokura,
• Abstract要約: 本研究では,多車体まわりの高レイノルズ数流のロバスト性を評価するために,変分オートエンコーダを用いた。 具体的には,異なる空間スケールと時間スケールで渦発生の再現精度を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Numerical simulations in industrial applications often require performing numerous high-precision computations parameterized by specific experimental conditions. For instance, in vehicle body design, aerodynamic simulations are essential for evaluating the aerodynamic characteristics of various proposed body geometries. However, computational resource constraints often become a bottleneck. Therefore, achieving the desired accuracy while minimizing computational cost is crucial. To address this challenge, model reduction methods have been developed to decrease the degrees of freedom by constraining the possible states of a physical system to a lower-dimensional subspace. In particular, reduction techniques that project the system onto a nonlinear subspace using neural networks have been actively studied. Our previous research developed a reduced-order model that integrates neural-network-based model reduction with a time-evolution method, implemented as a distributed parallel training framework to process high-resolution flow field data efficiently. In this study, we extend this reduction approach by incorporating a variational autoencoder to assess its robustness in high-Reynolds-number flows around multiple vehicle bodies with varying geometries. Specifically, we evaluate the reconstruction accuracy of vortex generation across different spatial and temporal scales using a compact latent representation, with a particular focus on the flow behavior near the rear end of the vehicle body.
• Abstract（参考訳）: 産業応用における数値シミュレーションは、しばしば特定の実験条件によってパラメータ化された多数の高精度な計算を実行する必要がある。 例えば、車体設計においては、様々な天体の空力特性を評価するために、空気力学シミュレーションが不可欠である。 しかし、計算資源の制約はしばしばボトルネックとなる。 したがって、計算コストを最小化しながら所望の精度を達成することが重要である。 この課題に対処するために、物理系の可能な状態を低次元部分空間に制限することにより、自由度を下げるモデル還元法が開発された。 特に、ニューラルネットワークを用いた非線形部分空間にシステムを投影するリダクション技術が活発に研究されている。 従来の研究では,高分解能フローフィールドデータを効率的に処理するための分散並列トレーニングフレームワークとして実装された,ニューラルネットワークに基づくモデル削減と時間進化の手法を統合した低次モデルを開発した。 本研究では, 変動型オートエンコーダを組み込むことにより, 多車体まわりの高レイノルズ数流れのロバスト性を評価することにより, この低減手法を拡張した。 具体的には,車体後端近傍の流動挙動に着目したコンパクトな潜伏表現を用いて,異なる空間的・時間的尺度における渦発生の再現精度を評価する。

関連論文リスト

• Attention mechanism for scalable mesh-based neural surrogates of free-surface fluids [0.0]
  粒子有限要素法(PFEM)のようなラグランジアン法による自由表面流れの高忠実度シミュレーションを計算的に要求する。 この問題は非ニュートンのレオロジーによってさらに増幅され、材料非線形性は計算コストを増大させる。 自由表面流れのPFEMシミュレーションのための自己アテンションに基づくニューラルサロゲートを提案する。
  論文  参考訳（メタデータ） (2026-06-22T12:33:55Z)
• Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
  勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。 これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
  論文  参考訳（メタデータ） (2025-12-12T14:16:35Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Self-Supervised Coarsening of Unstructured Grid with Automatic Differentiation [55.88862563823878]
  本研究では,微分可能物理の概念に基づいて,非構造格子を階層化するアルゴリズムを提案する。 多孔質媒質中のわずかに圧縮可能な流体流を制御した線形方程式と波動方程式の2つのPDE上でのアルゴリズムの性能を示す。 その結果,検討したシナリオでは,関心点におけるモデル変数のダイナミクスを保ちながら,格子点数を最大10倍に削減した。
  論文  参考訳（メタデータ） (2025-07-24T11:02:13Z)
• A parametric framework for kernel-based dynamic mode decomposition using deep learning [0.0]
  提案されたフレームワークは、オフラインとオンラインの2つのステージで構成されている。 オンラインステージでは、これらのLANDOモデルを活用して、所望のタイミングで新しいデータを生成する。 高次元力学系に次元還元法を適用して, トレーニングの計算コストを低減させる。
  論文  参考訳（メタデータ） (2024-09-25T11:13:50Z)
• A systematic dataset generation technique applied to data-driven automotive aerodynamics [0.0]
  ニューラルネットワークを用いた自動車測地におけるドラッグ予測の文脈内で、データセットを生成するための新しい戦略が開発されている。 本手法は,少数の開始点に頼り,それらの間を体系的に補間するためのレシピを提供する。 現実的な自動車形状を用いてこの戦略を検証し、畳み込みニューラルネットワークがドラッグ係数や表面圧力を予測するのに非常に優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-14T06:37:30Z)
• Principal Component Flow Map Learning of PDEs from Incomplete, Limited, and Noisy Data [0.0]
  本稿では,力学系の進化をモデル化する計算手法を提案する。 本研究では,高次元非一様格子上の部分観測偏微分方程式(PDE)をモデル化する上での課題に着目する。 本稿では、状態変数や計算領域のサブセットでのみ利用可能なノイズと制限付きデータを用いたPDEモデリングに適したニューラルネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:06:20Z)
• Symplectic Autoencoders for Model Reduction of Hamiltonian Systems [0.0]
  長期の数値安定性を確保するためには,システムに関連するシンプレクティックな構造を維持することが重要である。 本稿では,次元削減のための確立されたツールであるオートエンコーダの精神の中で,新しいニューラルネットワークアーキテクチャを提案する。 ネットワークのトレーニングには,非標準勾配降下法を適用した。
  論文  参考訳（メタデータ） (2023-12-15T18:20:25Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)

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。