論文の概要: VATO: A Vortex-Force-Aware Transformer Operator for Unsteady Separated Aerofoil Flows
- arxiv url: http://arxiv.org/abs/2609.00507v1
- Date: Tue, 01 Sep 2026 00:17:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.171189
- Title: VATO: A Vortex-Force-Aware Transformer Operator for Unsteady Separated Aerofoil Flows
- Title（参考訳）: VATO:非定常エアロフォイル流用渦強制型変圧器
- Authors: Xingxin Yang, Zhan Zhang, Yichen Li, Juan Li,
- Abstract要約: 本稿ではVortex-Force-Aware Transformer Operator(VATO)を紹介し,Vortex Force Map(VFM)法を幾何認識ニューラル演算子に結合させる。
VATO-Sは速度,圧力,渦度の誤差をそれぞれ10.4%,1.0%,15.6%減少させ,VATO-Aは15.8%,7.5%,31.2%減少させた。
- 参考スコア（独自算出の注目度）: 10.391896605604018
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of unsteady separated flows is challenging because the aerodynamic loads depend on nonlinear separation and vortex-shedding dynamics. Although high-fidelity CFD resolves these mechanisms, its cost limits repeated use in design and control. Standard field-level surrogate training, however, does not distinguish the flow regions that contribute most strongly to the aerodynamic loads. We introduce VATO (Vortex-Force-Aware Transformer Operator), which couples the Vortex Force Map (VFM) method to a geometry-aware neural operator through two complementary mechanisms. VATO-S adds training-only supervision of the local VFM force-contribution field, with no increase in model size or inference cost. VATO-A uses VFM contribution and sensitivity fields to prioritise force-relevant source locations for residual cross attention. The methods are evaluated on unsteady CFD data for double-edged-plate aerofoils over 54 trajectories from nine geometries. Over lead times of 1-20~ms, VATO-S reduces velocity, pressure, and vorticity errors by 10.4\%, 1.0\%, and 15.6\%, respectively, while VATO-A achieves reductions of 15.8\%, 7.5\%, and 31.2\%. VATO-S gives the lowest VFM-derived drag error, whereas VATO-A gives the lowest pressure-derived lift and drag errors. Over lead times extending 50\% beyond the training range, VATO-A retains a 26.9\% reduction in vorticity error and larger improvements in all four force readouts, despite reduced gains in velocity and pressure. These results show that force-aware operator learning can improve both flow-field prediction and aerodynamic functional accuracy in unsteady separated flows.
- Abstract（参考訳）: 非定常分離流の正確な予測は、空気力学の負荷が非線形分離と渦破砕力学に依存するため困難である。
高忠実度CFDはこれらのメカニズムを解決するが、設計と制御においてコスト制限が繰り返される。
しかし, 空気力学的負荷に最も強く寄与する流れ領域を, 標準フィールドレベルのサロゲート訓練では区別しない。
本稿では,Vortex-Force-Aware Transformer Operator (VATO) を導入し,Vortex Force Map (VFM) 法を2つの相補的な機構を通じて幾何認識ニューラル演算子に結合する。
VATO-Sは、モデルサイズや推論コストを増大させることなく、ローカルなVFM力供給分野の訓練のみの監督を追加する。
VATO-Aは、VFMコントリビューションと感度場を使用して、残留的な交差注意のために力関連ソース位置を優先する。
これらの手法は、9つの測地線から54個の軌道上の両端面翼の非定常CFDデータを用いて評価した。
1-20~msのリード時間において、VATO-Sは速度、圧力、渦度の誤差をそれぞれ10.4\%、1.0\%、15.6\%に減少させ、VATO-Aは15.8\%、7.5\%、31.2\%に減少させる。
VATO-SはVFM由来のドラッグエラーが最も低いが、VATO-Aは圧力由来のリフトとドラッグエラーが低い。
トレーニング範囲を超えて50 %のリードタイムを経たVATO-Aは、速度と圧力の低下にもかかわらず、渦度の誤差を26.9 %削減し、全ての4つの力のリードアウトを大きく改善した。
これらの結果から,非定常分離流における流れ場予測と空力関数の精度の向上が期待できることがわかった。
関連論文リスト
- FLOAT Drone for Physical Interaction: Lateral Airflow Reduction, Wrench Modeling, and Adaptive Control [4.5429661185092085]
本稿は、サーボ駆動制御面を備えた完全作動型UAVであるFLOAT Droneについて述べる。
力マッチング型計算流体力学(CFD)と傾動翼式(傾動翼式)との比較により,目標対向気流の低減を定量化する。
論文 参考訳（メタデータ） (2026-07-05T12:14:43Z) - Strouhal-Aware Model Predictive Control for Efficient Multi-Fin Flapping Locomotion [3.643400431800639]
我々は自律型水中車両のためのストローハル対応モデル予測制御(MPC)を開発した。
コントローラーは各フィンを最適なストローハル回廊内に保持し、コマンドフォースを正確に追跡する。
提案手法は, 到達不可能な逆モデルである0.4m/sの速度も許容する。
論文 参考訳（メタデータ） (2026-07-03T11:30:53Z) - DynFly: Dynamic-Aware Continuous Trajectory Generation for UAV Vision-Language Navigation in Urban Environments [55.73595346639892]
我々は高レベルナビゲーション推論と実行可能なUAV動作を橋渡しするDynFlyを提案する。
DynFlyはB-スプライン制御点空間のエキスパート軌道を表し、Spline-DiTジェネレータを用いて条件付き軌道生成を学習する。
OpenUAV UAV-VLNベンチマークの実験では、DynFlyは航法性能と軌道品質の両方を改善している。
論文 参考訳（メタデータ） (2026-06-30T13:33:48Z) - Aero-World: Action-Conditioned Aerial Video Generation from Inertial Controls [57.166020875486474]
我々は,事前学習した画像から映像への拡散モデルを制御可能な空中ビデオ生成装置に変換する方法であるtextbfAero-World を提案する。
実ビデオ-IMUペアで独立して訓練された冷凍潜伏空間物理学プローブは、LoRA微調整中に慣性・一貫性の異なる監視を提供する。
AeroBenchでは、アクションのみの微調整で平均AASを57.7から63.6に改善し、AirScapeよりも優れた品質制御トレードオフを提供する。
論文 参考訳（メタデータ） (2026-05-19T12:02:17Z) - Isokinetic Flow Matching for Pathwise Straightening of Generative Flows [0.0]
Flow Matching (FM) は線形条件付き確率経路を構成するが、学習された境界速度場は軌道重畳による強い曲率を示す。
Iso-FM (Isokinetic Flow Matching) はヤコビアンフリーな動的正規化器であり, 経路加速度を直接計算する。
シングルステージFMトレーニングに純粋にプラグ&プレイの追加として動作するため、Iso-FMは数ステップ生成を劇的に改善する。
論文 参考訳（メタデータ） (2026-04-06T07:32:02Z) - Physics-infused Learning for Aerial Manipulator in Winds and Near-Wall Environments [3.895172208362693]
空中操作(AM)は、受動的観測から高高度およびその他の到達不能な環境での接触操作まで、UAV能力を拡大する。
本稿では,物理に基づくブレード要素モデルと学習に基づく残留力推定器を統合し,外乱補償のためのロータ速度割当戦略を組み込むことにより,統一的な制御フレームワークを実現する。
その結果, 従来の手法よりも外乱推定と軌道追跡精度が向上し, 困難な空力条件下でのロバストな壁面接触実行が可能となった。
論文 参考訳（メタデータ） (2026-03-08T22:08:15Z) - Decoupled Diffusion Sampling for Inverse Problems on Function Spaces [73.52103661482242]
既存のプラグ・アンド・プレイ拡散後サンプリングは係数ジョイント・ソリューション・モデリングを通じて物理を暗黙的に表現する。
逆PDE問題に対する関数空間における物理認識型生成フレームワークを提案する。
我々の解答拡散逆ソルバー(DDIS)は、非条件拡散が事前に係数を学習し、ニューラル演算子はガイダンスのためにフォワードPDEを明示的にモデル化する。
論文 参考訳（メタデータ） (2026-01-30T18:54:49Z) - MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。
我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。
1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
論文 参考訳（メタデータ） (2025-11-17T06:17:08Z) - Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning [0.0]
我々は,レイノルズ数104$およびマッハ数0.4における乱流気流の昇降ドラッグ比を最適化するために,アクティブニューラルネットワークフローコントローラを訓練する。
トレーニングされたフローコントローラは、リフト・アンド・ドラッグ比を著しく改善し、2次元および3次元の気流の分離を低減する。
論文 参考訳（メタデータ） (2025-10-08T14:59:29Z) - Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。
予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。
その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
論文 参考訳（メタデータ） (2025-10-03T00:18:26Z)
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。