論文の概要: Temperature Field Reconstruction of Tungsten Monoblock Divertor on EAST using Physics-aware Neural Operator Transformer
- arxiv url: http://arxiv.org/abs/2606.31574v1
- Date: Tue, 30 Jun 2026 12:33:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.210583
- Title: Temperature Field Reconstruction of Tungsten Monoblock Divertor on EAST using Physics-aware Neural Operator Transformer
- Title（参考訳）: 物理対応ニューラル演算子変換器を用いたEAST上のタングステン単ブロックインバータの温度場再構成
- Abstract要約: 本研究では,変圧器温度場の進化を特徴付ける物理対応型ニューラル演算子変換器(PNOT)を提案する。
物理認識の注意を喚起し、クエリポイントを集約する物理認識型ニューラル演算モジュールをさらに開発する。
実験結果から,これらの制約は物理的整合性を保ちながら予測精度を向上させることが示された。
- 参考スコア（独自算出の注目度）: 20.873931353548574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate modeling of the divertor temperature field is essential for preventing material melting and damage and for extending the service life of fusion devices. However, conventional numerical methods, such as the Finite Element Method (FEM), are computationally expensive and therefore unsuitable for real-time applications. Therefore, a fast and generalizable method is required for real-time reconstruction of the divertor temperature field and subsequent real-time control. To address the above issue, we propose a Physics-aware Neural Operator Transformer (PNOT) to characterize the spatiotemporal evolution of the divertor temperature field. It models boundary heat-flux relations as a structured graph and employs graph attention to explicitly capture spatial physical dependencies. Inspired by physics-aware attention, we further develop a physics-aware neural operator module to aggregate query points with similar physical conditions via slicing and model heat diffusion, while a gradient-constrained Sobolev regularization loss enforces consistency between function values and their derivatives. Experimental results show that these physical constraints improve prediction accuracy while preserving physical consistency. The source code of this paper will be released on https://github.com/Event-AHU/OpenFusion
- Abstract（参考訳）: 変圧器温度場の正確なモデリングは、材料の融解や損傷を防止し、核融合装置の寿命を延ばすのに不可欠である。
しかし、有限要素法(FEM)のような従来の数値法は計算コストがかかるため、リアルタイムアプリケーションには適さない。
したがって、ダイバータ温度場のリアルタイム再構成とその後のリアルタイム制御には、高速で一般化可能な方法が必要である。
上記の問題に対処するため,ダイバータ温度場の時空間変化を特徴付ける物理対応ニューラル演算子変換器(PNOT)を提案する。
境界熱流関係を構造化グラフとしてモデル化し、空間的物理的依存関係を明示的に捉えるためにグラフ注意を用いる。
物理認識型ニューラルネットワークモジュールは,スライシングとモデル熱拡散により類似の物理条件で問合せ点を集約するのに対して,勾配制約のソボレフ正規化損失は関数値とその導関数間の整合を強制する。
実験結果から,これらの制約は物理的整合性を保ちながら予測精度を向上させることが示された。
この論文のソースコードはhttps://github.com/Event-AHU/OpenFusionで公開される。
関連論文リスト
- Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations [42.50242605797505]
本稿では,変圧器の熱挙動を予測するための物理対応ニューラル正規微分方程式フレームワークを開発する。
重要な貢献は、単純化された熱伝達方程式をニューラルODEの定式化に直接統合することである。
このフレームワークは、異種変圧器ユニットに対して標準化され、物理学的、堅牢な予測手法を提供する。
論文 参考訳（メタデータ） (2026-08-13T13:59:32Z) - Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation [3.697746606429496]
本研究では,過渡表面温度測定から材料特性を定量的に再現する物理フレームワークを提案する。
NeFTYは、3次元微分場を厳密な数値解法によって最適化された連続神経場としてパラメータ化する。
提案手法は,高分解能3次元トモグラフィに必要なメモリ効率を維持しつつ,熱力学的法則をハード制約として適用する。
論文 参考訳（メタデータ） (2026-03-11T17:59:42Z) - Learning Transient Convective Heat Transfer with Geometry Aware World Models [41.969427056765014]
本稿では,映像生成アーキテクチャ(LongVideoGAN)を応用し,一貫した物理を学習する幾何学的世界モデルアーキテクチャを提案する。
本研究では, 固体構造内の熱流に結合した浮力駆動流れからの対流熱伝達を伴う2次元過渡流体力学 (CFD) 問題について検討した。
論文 参考訳（メタデータ） (2026-01-29T18:24:24Z) - Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。
PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
論文 参考訳（メタデータ） (2025-11-17T09:37:04Z) - Differential-Integral Neural Operator for Long-Term Turbulence Forecasting [43.04613533979613]
textbfunderlineDifferential-textbfunderlineIntegral textbfunderlineNeural textbfunderlineOperator (method)
メソッドは、異なる物理演算子を学習する並列分岐による乱流進化を明示的にモデル化する。
数百のタイムステップにわたる誤差の蓄積をうまく抑制し、渦場とエネルギースペクトルの両方において高い忠実性を維持し、物理的に一貫した長距離乱流予測のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-09-25T14:08:26Z) - Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network [13.813339681786644]
核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。
FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。
本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
論文 参考訳（メタデータ） (2025-08-05T12:42:02Z) - Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。
これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。
非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
論文 参考訳（メタデータ） (2025-06-27T13:23:27Z) - Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。
HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
論文 参考訳（メタデータ） (2025-05-16T14:40:56Z) - A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。
提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。
ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
論文 参考訳（メタデータ） (2024-05-21T02:41:40Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - A Physics-Informed Machine Learning Approach for Solving Heat Transfer
Equation in Advanced Manufacturing and Engineering Applications [3.04585143845864]
導電性熱伝達偏微分方程式(PDE)を解くために物理インフォームドニューラルネットワークを開発した。
部品をオーブンで加熱する製造や工学の用途で用いられる。
論文 参考訳（メタデータ） (2020-09-28T18:53:00Z)
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。