論文の概要: VFNet: Multi-View Spatio-Temporal Model for Void Fraction Estimation in Gas-Liquid Two-Phase Flow

• arxiv url: http://arxiv.org/abs/2609.09711v1
• Date: Wed, 09 Sep 2026 04:53:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.903173
• Title: VFNet: Multi-View Spatio-Temporal Model for Void Fraction Estimation in Gas-Liquid Two-Phase Flow
• Title（参考訳）: VFNet:気液二相流におけるボイドフラクション推定のための多視点時空間モデル
• Abstract要約: 二相流の同期多視点ビデオからヴォイドフレクション予測のためのニューラルネットワークであるVFNetを提案する。 VFNetは、幅広いメトリクスで最高のパフォーマンスを実現し、実際の2相フローデータに基づく下流フロー分類を改善している。
• 参考スコア（独自算出の注目度）: 9.49836052448128
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Void fraction, which quantifies the proportion of the fluid flow volume occupied by the gas phase, is a key parameter in the characterization of gas-liquid two-phase flow. Existing estimation methods either rely on flow assumptions that do not generalize across different fluids or on intrusive sensing that disturbs the flow behavior. We propose VFNet, a dual-branch spatio-temporal neural network for void-fraction prediction from synchronized multi-view videos of two-phase flow. A local branch extracts features from confined spatial regions and fuses the synchronized dual views, while a spatio-temporal branch captures the global evolution of the flow across space and time to refine a coarse geometric estimate. Trained on simulated computational fluid dynamics (CFD) data with known ground-truth void fractions and evaluated against both learning-based and traditional baselines, VFNet achieves the best performance across a broad range of metrics and also improves downstream flow-pattern classification on real two-phase flow data.
• Abstract（参考訳）: 気相に占める流体流量の比を定量化するボイド分画は,気液二相流のキャラクタリゼーションにおいて重要なパラメータである。 既存の推定方法は、異なる流体にまたがって一般化しない流れの仮定や、流れの挙動を乱す侵入的な感覚に依存する。 本稿では,二相流の同期多視点ビデオから,二分岐時空間ニューラルネットワークVFNetを提案する。 局所分枝は、狭い空間領域から特徴を抽出し、同期された双対ビューを融合する一方、時空間分枝は空間と時間の間の流れのグローバルな進化を捉え、粗い幾何学的推定を洗練させる。 シミュレーション計算流体力学(CFD)データと既知の接地構造空隙分画データに基づいて学習ベースと従来のベースラインの両方に対して評価を行い、VFNetは幅広いメトリクスにわたって最高の性能を達成し、実際の二相フローデータに基づく下流フローパターンの分類を改善する。

関連論文リスト

• FSAN: Flow State Attention Network for Aerodynamic Prediction [15.184005307775601]
  本研究では,高精度な空力予測のためのフロー状態注意ネットワーク(FSAN)を提案する。 FSANは、幾何を学習可能なソフト代入によって複数のフロー状態に分割し、フロー機能を使用してこれらの状態表現を更新する。 2つのよく認識された空気力学ベンチマークの実験では、FSANが最も精度が高いことが示されている。
  論文  参考訳（メタデータ） (2026-09-06T15:11:14Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction [22.85411632321514]
  本研究では,従来のCFDシミュレーションを代替するコンポーネントベース機械学習(CBML)サロゲートモデリング手法を提案する。 CBMLは3つのニューラルネットワークで構成されている: 残留接続を持つ畳み込み自己エンコーダ(CAER)、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)。 その結果、CBMLモデルはトレーニングとテストの両方のデータセットで2次元の集約速度場を正確に高速に予測できることがわかった。
  論文  参考訳（メタデータ） (2025-07-25T12:57:30Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field [3.9561033879611944]
  ベースラインネットワークとして改良された畳み込み長短期記憶(Con-vLSTM)ニューラルネットワークを提案する。 円柱まわりの流れの数値シミュレーションを行った。 その結果、改良されたConvLSTMモデルにより、より時間的および空間的特徴を抽出できることが示されている。
  論文  参考訳（メタデータ） (2025-05-21T13:54:37Z)
• FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
  逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。 Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T07:56:14Z)
• FLINT: Learning-based Flow Estimation and Temporal Interpolation for Scientific Ensemble Visualization [3.748255320979002]
  FLINTは、2D以上の時間と3D以上の科学的アンサンブルデータのフロー場を推定するための、新しいディープラーニングベースのアプローチである。 我々の知る限りでは、FLINTは科学的なアンサンブルからの流れを推定する最初のアプローチである。
  論文  参考訳（メタデータ） (2024-09-27T23:18:27Z)
• DualFluidNet: an Attention-based Dual-pipeline Network for FLuid Simulation [4.694954114339147]
  本研究では,注意型デュアルパイプネットワークを用いた3次元流体シミュレーションの革新的手法を提案する。 グローバルな流体制御と物理法則のバランスを改善する方法を見つける。 また、より複雑なシーンを扱うネットワークの能力をさらに探求する新たなデータセットであるTurton3Dを提案する。
  論文  参考訳（メタデータ） (2023-12-28T07:37:11Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase Flow Simulation Using Validation Data [5.099083753474628]
  FSM(Feature-Similarity Measurement)を開発し, 粗面CFD法により二相流のシミュレーション性能を向上させる。 FSMは界面閉鎖の選択に関係なく粗いメッシュCFDモデルの予測を大幅に改善することができる。
  論文  参考訳（メタデータ） (2020-05-07T21:25:22Z)

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。