論文の概要: Thermodynamics-Informed Input Reparameterization for Neural Prediction of Real-Fluid Thermodynamic Properties in Supercritical Combustion

• arxiv url: http://arxiv.org/abs/2607.19241v1
• Date: Tue, 21 Jul 2026 16:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.486242
• Title: Thermodynamics-Informed Input Reparameterization for Neural Prediction of Real-Fluid Thermodynamic Properties in Supercritical Combustion
• Title（参考訳）: 超臨界燃焼における実流体熱力学特性のニューラル予測のための熱力学インフォーム入力パラメータ化
• Abstract要約: 実流体熱力学特性評価は超臨界燃焼シミュレーションにおける計算コストである。 本研究は熱力学インフォームド入力再パラメータ化戦略を導入する。 RMSEは、それぞれ約1.5、2.0、7.5 for T、$$、$$で保留される。
• 参考スコア（独自算出の注目度）: 8.87173886837718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-fluid thermodynamic property evaluation is a major computational cost in supercritical combustion simulations. In the enthalpy-based pressure-correction formulation, the closure evaluates temperature T, density $ρ$, and compressibility coefficient $ψ$ from the solver state (h,p,Y) through enthalpy-temperature inversion and repeated real-fluid equation-of-state evaluations. Neural-network surrogates offer fixed-cost inference, but direct mapping from (h,p,Y) to $(T,ρ,ψ)$ must capture the enthalpy-temperature relation and non-ideal equation-of-state response, resulting in a complex regression problem. This work introduces a thermodynamics-informed input reparameterization strategy, termed target-aligned input reparameterization (TAIR). TAIR replaces the raw enthalpy coordinate of each property network with a target-matched thermodynamic coordinate: the temperature network uses a temperature estimate obtained by inverting a constant-$c_p$ ideal-gas mixture enthalpy approximation, whereas the density and compressibility networks use an ideal-gas density estimate. These algebraic transformations use only solver-available variables and species constants, guiding the networks to learn real-fluid departures from ideal-gas baselines rather than reconstructing the full closure from raw enthalpy. The method is assessed using supercritical methane-oxygen counterflow flame data against a raw-input baseline and target-inconsistent cross-reparameterization controls. TAIR reduces held-out RMSE by factors of about 1.5, 2.0, and 7.5 for T, $ρ$, and $ψ$, respectively. For an unseen strain-rate flame within the augmented thermodynamic envelope, the corresponding factors are 3.6, 14.5, and 6.0. The target-inconsistent controls perform worse, indicating that the gains arise from thermodynamically matched input design rather than generic preprocessing.
• Abstract（参考訳）: 実流体熱力学特性評価は超臨界燃焼シミュレーションにおける計算コストである。 エンタルピーに基づく圧力補正の定式化において、閉包は温度T、密度$ρ$、圧縮係数$ $を、エンタルピー温度の反転と実流体方程式の繰り返しによる解法状態(h,p,Y)から評価する。 ニューラルネット・サロゲートは固定コスト推論を提供するが、 (h,p,Y) から $(T,ρ, )$ への直接写像は、エンタルピー-温度関係と非理想方程式-状態応答を捉える必要があり、複雑な回帰問題をもたらす。 本研究は、熱力学インフォームド入力再パラメータ化戦略(TAIR)を導入する。 温度ネットワークは、定数=c_p$イデアルガス混合エンタルピー近似を反転させた温度推定を使い、密度と圧縮性ネットワークは理想ガス密度推定を使用する。 これらの代数変換は可解変数と種定数のみを用いており、ネットワークは生のエンタルピーから完全閉包を再構築するのではなく、理想気体基底線から実流体の出発を学習するよう誘導する。 原入力ベースラインに対する超臨界メタン-酸素対流火炎データと目標非一貫性のクロスパラメータ化制御を用いて評価する。 TAIR は RMSE を T の 1.5 と 2.0 と 7.5 の因子、それぞれ $ρ$ と $\$ で減少させる。 拡張熱力学エンベロープ内の目に見えないひずみ率の炎の場合、対応する因子は3.6、14.5、および6.0である。 ターゲット不整合制御は、一般的な前処理ではなく、熱力学的に整合した入力設計から得られる利得を示す。

関連論文リスト

• Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
  本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。 核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
  論文  参考訳（メタデータ） (2026-09-02T13:15:50Z)
• Thermal screening and critical scaling of quantum energy teleportation in a harmonic chain [0.0]
  一次元調和鎖における量子エネルギーテレポーテーションの有限温度ガウス状態定式化を開発する。 Gibbs状態の場合、最適化された測定フィードバックプロトコルは熱二点関数に還元される。 単一部位のプロトコルでは、抽出されたエネルギーは単一の相関子によって制御され、熱力学的かつほぼ臨界な限界は分析的に引くことができる。
  論文  参考訳（メタデータ） (2026-09-01T08:51:41Z)
• The Thermodynamic Cost of Computing with Heat [0.0]
  目標平均誤差確率の達成に必要な最小散逸を$langle rungle$が分岐し、$langle rangle$が有限貯留層熱ゆらぎによって課される基本的な最小誤差フロア$epsMin$に近づくことを証明した。 我々のフレームワークは熱力学、有限時間情報理論、自律計算を橋渡しし、エネルギー効率の良いハードウェアに厳密な設計原理を提供する。
  論文  参考訳（メタデータ） (2026-08-09T19:51:57Z)
• Derivative Informed Learning of Exchange-Correlation Functionals [46.44973075720396]
  機械学習 (ML) Exchange-correlation (XC) 関数は、人間の設計した密度関数近似を置き換えることを目的としている。 我々は,B3LYP/def2-SVPターゲットを再現するために,$mathcalO(N4)$-scaling ML-XC関数を訓練したハイブリッド蒸留条件について検討した。 本稿では、参照ハイブリッド関数からの付加情報を含む損失であるデリバティブインフォームドXC-ロス(DI-Loss)を紹介する。
  論文  参考訳（メタデータ） (2026-06-02T23:07:54Z)
• The Thermodynamic Costs of Simple Linear Regression [5.136254239622075]
  基礎的および基礎的モデリングアルゴリズムである単純線形回帰の熱力学的コストについて検討する。 線形回帰モデルをトレーニングするための最適なデータセットサイズに対するエネルギーコストスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2026-05-18T23:51:02Z)
• Thermodynamic significance of QUBO encoding on quantum annealers [0.0]
  ペナルティ重みによって制御される2パラメータのエンコーディングファミリを用いたジョブショップスケジューリングインスタンスについて検討する。 計算硬度を管理するのと同じ符号化遷移も散逸を再編成する。 以上の結果から,QUBOのペナルティを熱力学制御ノブとして確立し,ノイズの多い中規模量子アニールに対する熱力学の符号化戦略を動機づけた。
  論文  参考訳（メタデータ） (2026-01-07T21:18:54Z)
• Coherence Dispersion and Temperature Scales in a Quantum-Biology Toy Model [51.56484100374058]
  量子コヒーレンス(英語版)が任意の量子状態のいくつかの外対角要素の間にどのように散乱するかを考察する。 平衡外システムに焦点をあてることで、我々は開発されたフレームワークを使用して、セル・エネルギティクスの単純化されたモデルに対処する。
  論文  参考訳（メタデータ） (2025-12-13T14:21:34Z)
• Physics-Informed Neural Networks for Thermophysical Property Retrieval [0.9668407688201359]
  逆熱問題(英: inverse heat problem)とは、観測された熱拡散挙動や既知の熱拡散挙動によって与えられる物質的熱物性を推定することを指す。 本稿では,壁面の熱伝導率kを熱電図の集合から推定するためのPINNに基づく反復的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-28T18:41:08Z)
• Mind Your Entropy: From Maximum Entropy to Trajectory Entropy-Constrained RL [56.085103402298905]
  本稿では,この2つの課題に対処する軌道エントロピー制約強化学習(TECRL)フレームワークを提案する。 このフレームワーク内では、まず報酬とエントロピーに関連する2つのQ-関数を個別に学習し、温度更新の影響を受けないクリーンで安定した値ターゲットを確保する。 我々は,3つの改良を加えて,最先端の分散型ソフトアクター批判を拡張して,現実的な非政治的アルゴリズムDSAC-Eを開発した。
  論文  参考訳（メタデータ） (2025-10-25T09:17:47Z)
• Energy-Based Models for Predicting Mutational Effects on Proteins [42.043597166564524]
  我々は、結合自由エネルギーの変化を予測する新しいアプローチを提案する(DeltaDelta G$)。 我々は新たに$DeltaDelta G$を逆折り畳みモデルとエネルギーモデルで見積もる構造ベースコンポーネントに分解する。 本手法は, しばしば使用されるシーケンス対数比に基づくアプローチをデルタデルタG$予測と, 統計力学に基礎を置く新しいデルタデルタE$項に結合することにより, エネルギーベースの物理的帰納バイアスを組み込む。
  論文  参考訳（メタデータ） (2025-08-14T13:30:19Z)
• Boltzmann-Aligned Inverse Folding Model as a Predictor of Mutational Effects on Protein-Protein Interactions [48.58317905849438]
  結合自由エネルギーの変化を予測する(Delta Delta G$)ことはタンパク質-タンパク質相互作用の理解と調節に不可欠である。 本稿では,事前学習した逆折り畳みモデルから$Delta Delta G$予測への知識伝達のためのボルツマンアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-10-12T14:13:42Z)
• Thermodynamics-Consistent Graph Neural Networks [50.0791489606211]
  本稿では,二成分混合物の組成依存的活動係数を予測するために,ギブス自由エネルギーグラフニューラルネットワーク(GE-GNN)を提案する。 GE-GNNアーキテクチャはギブス自由エネルギーを超えるモルを予測することによって熱力学的整合性を確保する。 活性係数予測の精度と熱力学的整合性を示す。
  論文  参考訳（メタデータ） (2024-07-08T06:58:56Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Implicit adaptation of mesh model of transient heat conduction problem [0.0]
  モデルの熱物理パラメータの温度依存性は、加熱される特定の材料ごとに特定される。 関連する変分問題の解法に基づく新しい手法を提案する。 熱物理係数に関連する過渡熱伝導モデルのパラメータを調整するための方程式が導出された。
  論文  参考訳（メタデータ） (2022-07-01T14:09:30Z)
• Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains at Finite Temperature: Exact Results [68.8204255655161]
  奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。 正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
  論文  参考訳（メタデータ） (2021-05-11T14:08:02Z)

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。