論文の概要: BubbleSH: A Dataset of Rising Bubbles with Deformable Interfaces

• arxiv url: http://arxiv.org/abs/2607.07275v1
• Date: Wed, 08 Jul 2026 11:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.35851
• Title: BubbleSH: A Dataset of Rising Bubbles with Deformable Interfaces
• Title（参考訳）: BubbleSH: 変形可能なインターフェースを備えたバブル上昇データセット
• Abstract要約: 本稿では,過渡的な3次元バブル・スワームダイナミクスからなる気泡流データセットBubbleSHを提案する。 このデータセットは、時間分解バブルの軌跡、速度、形状の進化を提供する。 本研究では, バブルキネマティクス, 形態, 相互作用パターンを特徴付けるとともに, 軌跡予測と形状予測の両方について評価指標を導入する。
• 参考スコア（独自算出の注目度）: 2.720699926154399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bubbly flows exhibit complex multiscale dynamics, with deformable bubbles interacting through the surrounding liquid and giving rise to strongly coupled kinematic and morphological behavior. We present BubbleSH, a bubbly flows dataset consisting of transient, three-dimensional bubble-swarm dynamics obtained from high-fidelity direct numerical simulations of bubbles rising in a periodic domain. The dataset provides time-resolved bubble trajectories, velocities, and shape evolution, with bubble morphology compactly represented using spherical harmonics. Designed to be lightweight yet physically expressive, the dataset enables data-driven modeling of bubbly flow simulators where shape deformation and bubble-bubble interactions play a central role. We characterize the dataset with bubble kinematics, morphology, and interaction patterns, and introduce evaluation metrics for both trajectory and shape prediction. The sensitivity of bubble-swarm dynamics to local perturbations makes BubbleSH particularly well suited to generative models that learn distributions over possible future trajectories. We evaluate a permutationally and translationally equivariant probabilistic emulator on BubbleSH given the proposed metrics. Therefore, we establish a compact, high-fidelity dataset and a benchmark for developing and evaluating data-driven models of deformable, chaotic multiphase systems.
• Abstract（参考訳）: 気泡流は複雑な多スケールのダイナミクスを示し、変形可能な気泡は周囲の液体を通して相互作用し、強く結合した運動学的および形態学的挙動を引き起こす。 本稿では,周期領域に上昇する気泡の高忠実度直接数値シミュレーションから得られた過渡的3次元気泡-スワームダイナミクスからなる気泡流データセットBubbleSHを提案する。 このデータセットは、時間分解バブル軌跡、速度、形状の進化を提供し、球面調和を使ってコンパクトにバブル形態を表現している。 軽量かつ物理的に表現できるように設計されたこのデータセットは、形状変形と気泡-気泡相互作用が中心的な役割を果たす気泡流シミュレータの、データ駆動モデリングを可能にする。 本研究では, バブルキネマティクス, 形態, 相互作用パターンを特徴付けるとともに, 軌跡予測と形状予測の両方について評価指標を導入する。 バブル・スワーム力学の局所摂動に対する感度は、BubbleSHを特に将来の軌道上の分布を学習する生成モデルに好適である。 提案手法を用いて,BubbleSH上での変分的および翻訳的同変確率エミュレータの評価を行った。 そこで我々は,変形可能なカオス多相システムのデータ駆動モデルの開発と評価を行うための,コンパクトで高忠実なデータセットとベンチマークを構築した。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Flow Equivariant World Models: Memory for Partially Observed Dynamic Environments [54.23746358078753]
  身体系は「流れのシンフォニー」として世界を経験する ほとんどのニューラルネットワークの世界モデルは、この構造を無視し、データから同じ変換を繰り返し再学習します。 自己運動と外部物体の動きを1パラメータのリー群「フロー」として統一するフレームワーク「フロー同変世界モデル」を紹介する。
  論文  参考訳（メタデータ） (2026-01-03T05:22:27Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• BubbleONet: A Physics-Informed Neural Operator for High-Frequency Bubble Dynamics [7.370254443179765]
  BubbleONetは、入力関数空間から対応する気泡半径応答に圧力プロファイルをマッピングするために設計された演算子学習モデルである。 このモデルは,(1)1つの初期半径を持つレイリー・プレセット方程式に基づく気泡力学,(2)1つの初期半径を持つケラー・ミクシス方程式に基づく気泡力学,(3)複数の初期半径を持つケラー・ミクシス方程式に基づく気泡力学など,様々なシナリオで評価されている。
  論文  参考訳（メタデータ） (2025-08-05T23:05:20Z)
• Bubbleformer: Forecasting Boiling with Transformers [2.343575298020989]
  既存のモデルは、過去の状態から核生成を学習できないため、推論中に将来の入力を必要とする。 本稿では,安定および長距離沸騰力学を予測するトランスモデルであるBubbleformerを紹介する。 さまざまな動作流体にまたがる高忠実度データセットであるBubbleML 2.0もリリースしています。
  論文  参考訳（メタデータ） (2025-07-28T18:02:57Z)
• Whenever, Wherever: Towards Orchestrating Crowd Simulations with Spatio-Temporal Spawn Dynamics [65.72663487116439]
  ニューラル・テンポラル・ポイント・プロセスを用いて生成時間生成ダイナミクスをモデル化するnTPP-GMMを提案する。 我々は,nTPP-GMMを用いた3つの実世界のデータセットのシミュレーションによるアプローチの評価を行った。
  論文  参考訳（メタデータ） (2025-03-20T18:46:41Z)
• Dynamical Diffusion: Learning Temporal Dynamics with Diffusion Models [71.63194926457119]
  動的拡散(DyDiff, Dynamical Diffusion)は, 時間的に意識された前と逆のプロセスを含む理論的に健全なフレームワークである。 科学的時間的予測、ビデオ予測、時系列予測に関する実験は、動的拡散が時間的予測タスクのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2025-03-02T16:10:32Z)
• 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)
• BubbleID: A Deep Learning Framework for Bubble Interface Dynamics Analysis [14.80319533550068]
  BubbleIDは、沸騰する画像におけるバブルの静的特性と動的特性の両方を識別する。 システムは、各バブルの位置、寸法、界面形状、寿命の速度を分析することができる。
  論文  参考訳（メタデータ） (2024-03-20T05:17:43Z)
• Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning [1.8629003661522465]
  本研究では, マイクロスケールおよびマクロスケールの非線型気泡力学解析を統一する合成ニューラル演算子モデルを構築した。 トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲の気泡半径を持つ非線形気泡動力学のmDPDおよびRPシミュレーションにより生成する。 その結果, トレーニングした複合型ニューラルオペレーターモデルは, 気泡半径の時間的評価に99%の精度で, スケールのバブルダイナミクスを正確に予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-20T04:56:02Z)
• BubbleML: A Multi-Physics Dataset and Benchmarks for Machine Learning [15.681756756338546]
  このデータセットは、様々な重力条件、流量、サブ冷却レベル、そして79のシミュレーションを含む壁のスーパーヒートを含む幅広いパラメータをカバーしている。 BubbleMLは、実験的な観察とトレンドに対して検証されており、機械学習(ML)研究の貴重なリソースとして確立されている。 本稿では, (a) 気泡力学を捉えるための光フロー解析と (b) 温度力学を学習するための演算子ネットワークという2つのベンチマークを導入することで, 下流タスクの探索を容易にする可能性を示す。
  論文  参考訳（メタデータ） (2023-07-27T04:47:05Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。