論文の概要: Neural Operators for Immersed-Boundary Soft Swimmers Locomotion

• arxiv url: http://arxiv.org/abs/2608.07722v1
• Date: Fri, 07 Aug 2026 19:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.486316
• Title: Neural Operators for Immersed-Boundary Soft Swimmers Locomotion
• Title（参考訳）: 没入境界ソフトスイマー動作のためのニューラル演算子
• Abstract要約: 高忠実没入境界シミュレーションは、変形するスイマーとその周辺の流れの結合運動を解く。 本研究では,スイマーが生み出す流体場の時間的予測のためのニューラルネットワークサロゲートを開発した。
• 参考スコア（独自算出の注目度）: 1.9197165133437375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity immersed-boundary simulation resolves the coupled motion of a deforming swimmer and its surrounding flow, but the resulting cost limits repeated evaluations for engineering design, parameter studies, and control. We develop neural-operator surrogates for temporal prediction of the hydrodynamic fields generated by planar and volumetric eel swimmers. The surrogates are trained on regular-grid fields exported from adaptive fluid--structure simulations and are conditioned on swimmer geometry and Reynolds number. The planar model jointly predicts two velocity components, scalar vorticity, and pressure. On five held-out high-Reynolds-number trajectories, its full-domain global relative L^2 error is 3.51 %. The volumetric formulation uses three target-specific models with a common multichannel input: one model predicts three-dimensional velocity, one predicts vorticity, and one predicts pressure. Their full-domain global relative L^2 errors on five held-out within-range trajectories are 3.44 %, 5.58 %, and 19.2 %. Together, the results demonstrate the feasibility of field-resolved neural surrogates for moving-boundary swimmer flows while identifying pressure accuracy and physical consistency as priorities for further development.
• Abstract（参考訳）: 高忠実没入境界シミュレーションは、変形するスイマーとその周辺の流れの結合運動を解消するが、その結果、エンジニアリング設計、パラメータスタディ、制御に対するコスト制限を繰り返し評価する。 我々は,平面および体積ウナギ泳泳者が生み出す流体場の時間的予測のためのニューラルネットワークサロゲートを開発した。 シュロゲートは、適応流体構造シミュレーションから抽出された正則格子場に基づいて訓練され、スイマー幾何学とレイノルズ数に基づいて条件付けされる。 平面モデルは、スカラー渦と圧力の2つの速度成分を共同で予測する。 ホールドアウトされた5つの高レイノルズ数軌道では、全領域のL^2誤差は3.51 %である。 1つのモデルは3次元の速度を予測し、1つは渦を予測し、もう1つは圧力を予測する。 領域内の5つの軌道上の全領域のL^2誤差は3.44 %、5.58 %、19.2 %である。 以上の結果から, 運動境界スイマーフローに対して, 圧力精度, 物理的整合性を優先的に検討し, フィールド分解型ニューラルサロゲートの有効性を実証した。

関連論文リスト

• ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics [0.0]
  ShipNetは、船体表面圧力分布と遠距離自由表面波パターンの両方を、船体形状と速度から直接予測する幾何学的深層学習サロゲートである。 推論には1ケースあたり約0.15秒が必要で、従来のハードウェアの電位フローソルバと比較して550倍のスピードアップが得られる。
  論文  参考訳（メタデータ） (2026-06-13T15:38:24Z)
• Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction [2.1603484118769476]
  これらの変数の無膨らみ、長い尾の分布のため、3次元のハイドロメータ予測は困難である。 このような平滑化を緩和する物理誘導型デュアルデコーディングフレームワークであるPredHydro-Netを提案する。 ウェーブレットに基づく周波数デカップリング、スペクトル振幅マッチング、および対向トレーニングを統合することにより、定量的精度と空間忠実度の間の良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-06-07T10:38:37Z)
• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction [6.508732875368554]
  演算子学習と生成的モデリングを組み合わせることで、この制限を克服できることが示される。 乱流3次元等方性等方性の場合、Adv-NOは、1つの軌道予測から160の時間ステップで5回の渦転回を正確に訓練した。 高スパース粒子追跡速度計のような入力からシリンダーフローを再構成するために、条件生成フェーズは正確な統計量で完全な3次元速度と圧力場を推定する。
  論文  参考訳（メタデータ） (2025-09-10T16:42:22Z)
• Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
  本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。 ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。 結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
  論文  参考訳（メタデータ） (2025-07-21T13:38:54Z)
• A 5-Point Minimal Solver for Event Camera Relative Motion Estimation [47.45081895021988]
  本稿では,直線パラメータと線形カメラ速度予測を推定し,複数の直線を考慮した場合の1つの平均線形速度に融合できる新しい最小5点解法を提案する。 本手法は,既存の閉形式解法が23%から70%しか達成できない線形速度の推定において,連続的に100%の成功率を達成する。
  論文  参考訳（メタデータ） (2023-09-29T08:30:18Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Autoencoder-driven Spiral Representation Learning for Gravitational Wave Surrogate Modelling [47.081318079190595]
  オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。 ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。 スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2021-07-09T09:03:08Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。