論文の概要: Weak Dominant Balance for Robust Identification of Dynamically Consistent Fluid Flow Structure

• arxiv url: http://arxiv.org/abs/2606.29047v1
• Date: Sat, 27 Jun 2026 19:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.77274
• Title: Weak Dominant Balance for Robust Identification of Dynamically Consistent Fluid Flow Structure
• Title（参考訳）: 動的に一貫した流体構造のロバスト同定のための弱支配バランス
• Abstract要約: 我々は、方程式を弱(積分)な定式化に推し進める微分自由フレームワークである弱支配的均衡を示す。 この手法は、既存のアプローチがカテゴリー的に失敗する厳しい雑音下で、正確な状態の同定を維持できる。 乱流ダクト流に適用された3階偏微分方程式の最初のデータ駆動分解を提供する。
• 参考スコア（独自算出の注目度）: 4.791713151156053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extracting interpretable, localized physical mechanisms from complex spatiotemporal data is a foundational challenge across physics, biology, and engineering, but has remained out of reach on real measurements. The central obstacle is obtaining high-quality gradients of data via numerical differentiation, which amplifies noise, diverges for high-order equations, and falters on irregular geometries, limiting the scope of existing approaches to clean simulations of low-order systems. Here, we present weak dominant balance, a derivative-free framework that projects governing equations into a weak (integral) formulation, offloading differentiation onto smooth analytical test functions and leaving the data untouched. The method sustains accurate regime identification under severe noise where existing approaches categorically fail, delivers the first data-driven decomposition of a third-order partial differential equation applied to turbulent duct flow, and produces matching decompositions across direct numerical simulation and particle-image velocimetry measurements of a wavy channel flow, uncovering a previously uncharacterized dynamical regime. Weak dominant balance brings mechanism-level analysis out of simulation and onto measured data, and opens complex physical systems to direct, equation-grounded interpretation.
• Abstract（参考訳）: 複雑な時空間データから解釈可能な局所的な物理的メカニズムを抽出することは、物理学、生物学、工学における基礎的な課題であるが、実際の測定には達していない。 中心的な障害は、ノイズを増幅し、高次方程式を分岐させ、不規則なジオメトリー上のファルタを分散させ、低次システムのクリーンなシミュレーションに対する既存のアプローチの範囲を制限する、数値微分によるデータの高品質な勾配を得ることである。 ここでは、方程式を弱(積分)定式化し、微分をスムーズな解析的テスト関数にオフロードし、データを無タッチで残す導関数のないフレームワークである弱い支配的均衡を示す。 本手法は,既存手法がカテゴリー的に失敗する厳しい雑音下での正確な状態同定を維持でき,乱流ダクト流に適用された3階偏微分方程式の初回データ駆動分解を行い,直接数値シミュレーションおよび波状流の粒子画像速度測定による一致分解を行い,従来は特性のなかった動的状態を明らかにする。 弱支配バランスは、シミュレーションと測定データからメカニズムレベルの分析をもたらし、複雑な物理系を開放し、直接方程式基底解釈を行う。

関連論文リスト

• Learning partially observed systems with neural Hamiltonian ordinary differential equations [41.99844472131922]
  データから部分的に観察された力学系を学習するために、ニューラルハミルトニアン常微分方程式(NHODE)を提案する。 このフレームワークは、線形および非線形な質量ばね系からカオス的な3体問題に至るまで、複雑さが増すシステムで評価される。
  論文  参考訳（メタデータ） (2026-05-22T11:18:39Z)
• A neural operator framework for data-driven discovery of stability and receptivity in physical systems [29.64126196034103]
  本稿では,観測データのみから,安定性と最適強制応答を自動的に識別するデータ駆動フレームワークを提案する。 本手法は, 正準カオスモデルと高次元流体流の両方で実証する。 この方程式のない方法論は、複雑な高次元データセットを解析するための広く適用可能なツールを確立する。
  論文  参考訳（メタデータ） (2026-04-21T13:43:32Z)
• Differentiable Thermodynamic Phase-Equilibria for Machine Learning [39.691553958657764]
  DISCOMAXは相平衡計算のための微分可能なアルゴリズムであり、トレーニングと推論の両方で熱力学的整合性を保証する。 本研究では,二成分液平衡データに対するアプローチを評価し,既存のサロゲート法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-11T19:14:04Z)
• Deep Deterministic Nonlinear ICA via Total Correlation Minimization with Matrix-Based Entropy Functional [41.05541240448253]
  ブラインドソース分離、特に独立成分分析(ICA)は、様々な信号処理領域で広く利用されている。 本稿では、これらの制約に対処するために設計された新しいディープニューラルネットワークベースのフレームワークであるディープ決定論的非線形独立成分分析(DDICA)を提案する。 DDICAは, シミュレーション信号混合, ハイパースペクトル画像アンミックス, 一次受容野のモデリング, およびfMRIデータ解析など, 様々な応用で検証された。
  論文  参考訳（メタデータ） (2025-12-31T19:44:19Z)
• Differentiable Sparse Identification of Lagrangian Dynamics [8.934077065104372]
  データによるデータからの支配方程式の発見は、非線形力学における根本的な課題である。 本稿では,これらの制約に3つの重要な貢献を通じて対処する,新しい識別フレームワークを提案する。 提案手法は優れた性能を示し,ノイズデータからより正確で信頼性の高い物理法則抽出を可能にする。
  論文  参考訳（メタデータ） (2025-11-13T05:12:53Z)
• Self-induced stochastic resonance: A physics-informed machine learning approach [0.0]
  自己誘発共鳴(英: Self-induced resonance, SISR)は、ノイズのみによって駆動される励起系におけるコヒーレント振動の出現である。 本研究は、フィッツヒューニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:49:20Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Learnable-Differentiable Finite Volume Solver for Accelerated Simulation of Flows [40.06403338393609]
  本研究では,粗い格子上の流動の効率的かつ正確なシミュレーションを行うため,LDrと呼ばれる学習可能で微分可能な有限体積解法を提案する。 実験により、LDrは、顕著なマージンを持つベースラインモデルを上回る効率を達成することが示された。
  論文  参考訳（メタデータ） (2025-06-23T14:22:27Z)
• Preconditioned FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
  偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。 この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。 本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
  論文  参考訳（メタデータ） (2024-09-06T07:17:01Z)
• 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)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
  statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。 この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。 本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
  論文  参考訳（メタデータ） (2021-09-10T09:51:43Z)

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。