論文の概要: Kriging and neural network models for pressure losses across perforated plates

• arxiv url: http://arxiv.org/abs/2606.29628v1
• Date: Sun, 28 Jun 2026 22:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.985343
• Title: Kriging and neural network models for pressure losses across perforated plates
• Title（参考訳）: 穴あけプレート間の圧力損失に対するリグとニューラルネットワークモデル
• Authors: Shuai Li,
• Abstract要約: 2つの新しいデータ駆動モデルが提案され, 乱流中の円孔を有する孔食プレート間の圧力損失を予測する。 それらのモデルは、文献で利用可能な2つの実験データを用いて開発されている。
• 参考スコア（独自算出の注目度）: 8.5231456549824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, two novel data-driven models based on kriging and neural networks (NN) are proposed to predict pressure losses across perforated plates with circular perforations in turbulent flows. The models are developed using two sets of experimental data available in the literature. The predictive performance of the proposed models is assessed and compared against widely used empirical formulae. It is found that the proposed models consistently outperform existing empirical models for most perforated plate configurations contained in the experimental datasets. Besides, the predicted pressure losses generally show good agreement with experimental measurements, demonstrating that data-driven approaches based on kriging and NN provide a feasible framework for modelling pressure losses across perforated plates. Overall, both approaches are promising, despite being trained on a relatively limited amount of experimental data, owing to the scarcity of measurements reported in the literature. To demonstrate the applicability of the proposed models in numerical simulations, two-dimensional channel flows are simulated using the Reynolds-averaged Navier-Stokes (RANS) equations, in which the new pressure-loss models are implemented as a source term in the momentum equations. The RANS predictions are found to be in excellent agreement with the model predictions, confirming the suitability of the proposed approaches for practical computational fluid dynamics applications.
• Abstract（参考訳）: 本稿では, 乱流中の円孔を有する孔状プレート間の圧力損失を予測するために, ニューラルネットワーク(NN)に基づく2つの新しいデータ駆動モデルを提案する。 それらのモデルは、文献で利用可能な2つの実験データを用いて開発されている。 提案モデルの予測性能を評価し,広く用いられている経験式と比較した。 提案したモデルが実験データセットに含まれるほとんどの穿孔プレート構成に対して,既存の経験モデルより一貫して優れていることが判明した。 さらに、予測された圧力損失は、一般的に実験結果とよく一致し、クリグとNNに基づくデータ駆動アプローチが、穿孔したプレート間の圧力損失をモデル化するための実用的な枠組みを提供することを示した。 全体として、どちらの手法も比較的限られた実験データで訓練されているにもかかわらず、文献で報告されている測定値の不足のため、有望である。 数値シミュレーションにおける提案モデルの適用性を実証するため,Reynolds-averaged Navier-Stokes (RANS) 方程式を用いて二次元チャネル流をシミュレートした。 RANS予測はモデル予測と良好に一致しており、実用的な計算流体力学応用のための提案手法の適合性を確認している。

関連論文リスト

• Correlation Analysis of Generative Models [17.52682596337417]
  理論的解析により,既存の拡散モデルと流れマッチングでは,ノイズデータと予測対象との相関が弱いことが示唆された。 これは、すべてのモデルにおいて重要な役割を果たす予測(あるいは学習)プロセスに影響を与えるかもしれません。
  論文  参考訳（メタデータ） (2026-02-20T06:28:08Z)
• Hybrid twinning using PBDW and DeepONet for the effective state estimation and prediction on partially known systems [0.0]
  本研究では,物理に基づくモデリングとデータ駆動学習を組み合わせ,状態推定を強化する効果的なハイブリッド手法を提案する。 ヘルムホルツ方程式を含む代表問題に対する提案手法を検証した。
  論文  参考訳（メタデータ） (2025-12-03T12:19:00Z)
• Re-optimization of a deep neural network model for electron-carbon scattering using new experimental data [0.0]
  包括的電子-炭素散乱のためのディープニューラルネットワークモデルを提案する。 我々は最近の実験データと、深部非弾性散乱領域における古い測定を取り入れた。
  論文  参考訳（メタデータ） (2025-08-01T18:05:38Z)
• An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression [36.814181034608666]
  本稿では,電流予測の堅牢性と精度を高めるために,新しい壁圧スペクトル実験モデルを提案する。 このモデルは、遺伝的アルゴリズムに基づくアプローチを用いて、AIに基づく象徴的回帰を用いて開発されている。 これは、フルスケールの風力タービンの空気音響ノイズを予測するために、Amietの理論と統合されている。
  論文  参考訳（メタデータ） (2025-01-14T14:14:22Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• Deep Learning to advance the Eigenspace Perturbation Method for Turbulence Model Uncertainty Quantification [0.0]
  乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。 我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
  論文  参考訳（メタデータ） (2022-02-11T08:06:52Z)

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。