論文の概要: Entropy-Constrained Machine Learning with Residual Data Augmentation for Modeling Chemical Kinetics

• arxiv url: http://arxiv.org/abs/2607.09582v1
• Date: Fri, 10 Jul 2026 16:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.905379
• Title: Entropy-Constrained Machine Learning with Residual Data Augmentation for Modeling Chemical Kinetics
• Title（参考訳）: ケミカル・キネティクスのモデリングのための残差データ拡張によるエントロピー制約機械学習
• Abstract要約: このモデルは、詳細な化学資源の直接評価を、還元熱化学状態から反応速度を予測する代理物質に置き換える。 物理的整合性を改善するため、熱力学の第2法則がトレーニング制約として組み込まれている。 このモデルは、計算コストのオーダー・オブ・マグニチュード以上を達成しつつ、高忠実度で詳細な化学結果を再現する。
• 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: We present a physics-constrained machine learning framework for accelerating the direct numerical simulation (DNS) of turbulent reacting flows. The model replaces the direct evaluation of detailed chemical source terms with a surrogate that predicts reaction rates from a reduced thermochemical state. To improve physical consistency, the second law of thermodynamics is incorporated as a training constraint by enforcing non-negative entropy generation, which restricts the evolution of the thermochemical state to physically admissible directions and improves stability during time integration. The approach is demonstrated on DNS of a two-dimensional planar lean premixed methane-air flame interacting with a turbulent flow field. The model reproduces detailed-chemistry results with high fidelity while achieving more than an order-of-magnitude reduction in computational cost. Furthermore, a residual-based synthetic data augmentation strategy enables parametric exploration by constructing new training data from the original dataset, allowing accurate simulation at new inlet conditions without additional detailed-chemistry CFD runs. These results demonstrate that thermodynamically constrained machine learning can provide reliable and computationally efficient surrogates for detailed chemistry in high-fidelity combustion simulations.
• Abstract（参考訳）: 乱流反応流の直接数値シミュレーション(DNS)を高速化する物理制約付き機械学習フレームワークを提案する。 このモデルは、詳細な化学資源の直接評価を、還元熱化学状態から反応速度を予測する代理物質に置き換える。 熱力学の第2法則は、非負のエントロピー生成を強制することにより、熱化学状態の進化を物理的に許容できる方向に制限し、時間積分の安定性を向上させることにより、トレーニング制約として組み入れられる。 この手法は,乱流場と相互作用する二次元平面型鉛直予混合メタン-空気火炎のDNS上で実証される。 このモデルは、計算コストのオーダー・オブ・マグニチュード以上を達成しつつ、高忠実度で詳細な化学結果を再現する。 さらに、残差ベースの合成データ拡張戦略により、元のデータセットから新たなトレーニングデータを構築することでパラメトリック探索が可能となり、追加の詳細な化学CFDを実行せずに、新しい入出力条件での正確なシミュレーションが可能になる。 これらの結果から, 熱力学的に制約された機械学習は, 高忠実度燃焼シミュレーションにおいて, 高精度な化学合成のための信頼性と計算効率のサロゲートを提供することができた。

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)
• Machine Learning-Driven Chemical Reactor Network Modeling of the Sandia-D Flame [0.0]
  乱流燃焼シミュレーションは多くの科学・工学系にとって不可欠である。 等価反応器ネットワーク(ERN)アプローチは、多次元乱流シミュレーションをより安価な0-Dと1-Dの反応器に置き換えることで、計算効率を向上させる。 本研究では,サンディアD乱流メタン/空気火炎のERNを構築するための機械学習支援フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-06-01T22:52:12Z)
• Hybrid Neural Ordinary Differential Equations for Data-Efficient Polymerization Modeling with Incomplete Kinetics [42.58292307702424]
  自由ラジカル重合のデータ効率モデリングのためのハイブリッドニューラル正規微分方程式フレームワークを提案する。 ハイブリッドNODEは、離散時間フィードフォワードニューラルネットワークと、スパースデータ条件下で純粋にデータ駆動のNODEに対して評価される。 ノイズの多いデータと目に見えない操作条件の一般化シナリオでは、ハイブリッドNODEはデータ駆動NODEの0.31と離散時間モデルでの0.68に対して、RMSEの0.013を達成している。
  論文  参考訳（メタデータ） (2026-06-01T12:10:48Z)
• Efficient Exploration of Chemical Kinetics [0.0]
  反応速度と化学的安定性を推定することは基本的な方法であるが、大規模シミュレーションの効率的な方法は到達できないままである。 この論文は Optimal Transport Gaussian Process framework において、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。
  論文  参考訳（メタデータ） (2025-10-24T11:52:08Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• 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)
• ChemKANs for Combustion Chemistry Modeling and Acceleration [0.0]
  ChemKANは、燃焼化学のためのモデル推論とシミュレーション加速のための新しいニューラルネットワークフレームワークである。 ケムカンの構造はカルモゴロフ・アーノルドネットワークの一般微分方程式(KAN-ODE)を、関連する力学および熱力学の法則を通じて情報の流れを知ることで強化する。 我々は、ChemKANsの頑健さを、最大15%の付加ノイズを含むスパースデータと、非常に大規模なネットワークパラメータ化にベンチマークする。
  論文  参考訳（メタデータ） (2025-04-17T01:53:28Z)
• A Posteriori Evaluation of a Physics-Constrained Neural Ordinary Differential Equations Approach Coupled with CFD Solver for Modeling Stiff Chemical Kinetics [4.125745341349071]
  我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。 これにより、総質量と元素質量が保存されることが保証される。
  論文  参考訳（メタデータ） (2023-11-22T22:40:49Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)

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。