論文の概要: ONE CYLinder: A Benchmark for Graph-Based Surrogate Modeling of Unsteady Bluff-Body Flows

• arxiv url: http://arxiv.org/abs/2609.08947v1
• Date: Tue, 08 Sep 2026 16:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.690481
• Title: ONE CYLinder: A Benchmark for Graph-Based Surrogate Modeling of Unsteady Bluff-Body Flows
• Title（参考訳）: ONE CYLinder:非定常Bluff-Body流れのグラフベースサーロゲートモデリングのためのベンチマーク
• Abstract要約: グラフベースのサロゲートモデルは、非構造化メッシュ上の計算流体力学(CFD)シミュレーションを加速する有望な経路を提供する。 我々は,ラミナリチャー,遷移,高レイノルズ数にまたがる円柱を過ぎる非定常流の新しいベンチマークであるONECYLを紹介する。 このベンチマークは、ランダムなシリンダージオメトリによる450個の高忠実度ヴァリ有限要素シミュレーションからなる。
• 参考スコア（独自算出の注目度）: 0.769672852567215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based surrogate models offer a promising route to accelerate computational fluid dynamics (CFD) simulations on unstructured meshes. However, their development is limited by the scarcity of benchmark datasets spanning multiple flow regimes and standardized protocols for long-horizon autoregressive prediction. We introduce ONECYL (ONE CYLinder), a new benchmark for unsteady flow past a circular cylinder across laminar, transitional, and high-Reynolds-number regimes. The benchmark comprises 450 high-fidelity Variational Multiscale finite-element simulations (270,000 flow snapshots) with randomized cylinder geometries, providing time-resolved velocity and pressure fields together with mesh connectivity, geometric descriptors, Reynolds numbers, and integrated aerodynamic quantities. Beyond the dataset, ONECYL establishes a unified evaluation framework combining full-field rollout errors, virtual probes, and drag and lift predictions to assess numerical accuracy and physical fidelity. To accompany the benchmark, we develop a Graph Transformer as a reference baseline predicting velocity and pressure fields autoregressively on unstructured meshes. Using ONECYL, we investigate geometric representations and physics-based regularization across the three Reynolds-number regimes. The results show that explicitly encoding the cylinder geometry through a level-set representation consistently improves long-horizon prediction accuracy and generalization to unseen geometries, while divergence-based regularization becomes increasingly beneficial as flow complexity increases. The ONECYL benchmark and its Graph Transformer baseline provide a reproducible framework for evaluating graph-based surrogate models and establish a foundation for future research on long-horizon prediction of unsteady bluff-body flows.
• Abstract（参考訳）: グラフベースのサロゲートモデルは、非構造化メッシュ上の計算流体力学(CFD)シミュレーションを加速する有望な経路を提供する。 しかし、その開発は、複数のフローレギュレーションにまたがるベンチマークデータセットの不足と、長期的自己回帰予測のための標準化されたプロトコルによって制限されている。 ONECYL (ONE CYLinder) は,ラミナル,遷移,高レイノルズ数にまたがる円柱を経由する非定常流のベンチマークである。 このベンチマークは、450個の高忠実な変動型有限要素シミュレーション(270,000フロースナップショット)とランダムなシリンダージオメトリ、メッシュ接続性、幾何学的記述子、レイノルズ数、統合空力量、とともに時間分解速度と圧力場を提供する。 データセット以外にもONECYLは、フルフィールドロールアウトエラー、仮想プローブ、ドラッグ・アンド・リフト予測を組み合わせた統合された評価フレームワークを確立し、数値的精度と物理的忠実さを評価する。 このベンチマークに付随するため、非構造メッシュ上での速度と圧力場の自動回帰を予測する基準ベースラインとしてグラフ変換器を開発した。 ONECYLを用いて3つのレイノルズ数系における幾何表現と物理に基づく正規化について検討する。 その結果, 水平方向の表現によるシリンダー形状の明示的に符号化は, 水平方向の予測精度と一般化を連続的に改善し, 分岐に基づく正規化は, 流れの複雑さが増大するにつれてますます有益であることが示唆された。 ONECYLベンチマークとそのグラフトランスフォーマーベースラインは、グラフベースのサロゲートモデルを評価するための再現可能なフレームワークを提供し、非定常なブラフボディフローの長期予測に関する将来の研究の基礎を確立する。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Physics-Informed Coarsening for Multigrid Graph Neural Surrogates [0.769672852567215]
  本稿では,エンコーダ・プロセッサ・デコーダのバックボーンと物理インフォームド粗大化戦略を結合したソリッドメカニクスのためのグラフニューラルネットワークを提案する。 本研究は,ソリッドメカニクスにおけるスケーラブルなサロゲートモデリングにおける物理インフォームド粗大化の重要性を強調した。
  論文  参考訳（メタデータ） (2026-05-29T08:47:04Z)
• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• WeirNet: A Large-Scale 3D CFD Benchmark for Geometric Surrogate Modeling of Piano Key Weirs [0.4837272320474764]
  WeirNetは、PKWの幾何学的代理モデリングのための大規模な3次元CFDベンチマークデータセットである。 ワイアネットは3,794のパラメトリック、実現可能性に制約された長方形および台形PKW測地を含んでいる。 パラメトリックディスクリプタ上の木ベースの回帰器は、最高の全体的な精度を達成する一方、ポイントベースのモデルとメッシュベースのモデルは競争力を持ち、パラメータ化に依存しない推論を提供する。
  論文  参考訳（メタデータ） (2026-02-24T09:19:28Z)
• BlendedNet++: A Large-Scale Blended Wing Body Aerodynamics Dataset and Benchmark [4.128170991070137]
  本稿では,BlendedNet++について紹介する。BlendedNet++は,BWB航空機を対象とする大規模空力データセットとベンチマークである。 データセットには12,000以上のユニークなジオメトリが含まれており、それぞれが単一の飛行条件でシミュレートされ、安定したRANS CFDに対して12,490の空気力学的結果が得られる。 このデータセットを用いて、フォワードサロゲートベンチマークを標準化し、6つのモデルファミリーのポイントワイドフィールドを予測する。 本研究では, 条件付き拡散モデルを用いて, 一定飛行条件下で, 所定のリフト・アンド・ドラグ比を達成するための逆設計課題を提案する。
  論文  参考訳（メタデータ） (2025-12-02T22:39:07Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• 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)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。