論文の概要: Improving Reduced-Order Rotating Detonation Engine Models with Data Assimilation and Machine Learning

• arxiv url: http://arxiv.org/abs/2609.16237v1
• Date: Mon, 14 Sep 2026 19:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.184933
• Title: Improving Reduced-Order Rotating Detonation Engine Models with Data Assimilation and Machine Learning
• Title（参考訳）: データ同化と機械学習による低次回転デトネーションエンジンモデルの改善
• Abstract要約: 1次元コッホ・クッツモデルのような低次モデルでは波動の動きを捉えるが、高周波コンテンツに対する表現性が欠如している。 連続データ同化(ニュジング)を用いて,Koch-Kutzソルバと処理された高忠実度温度データとを同期させる。 強度が増大するにつれて、縮小されたモデルが高忠実度軌道に徐々に描画される。
• 参考スコア（独自算出の注目度）: 2.225353152447347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rotating detonation engines (RDEs) exhibit strongly nonlinear, multiscale wave dynamics that set the observed thermal field. High-fidelity simulations (DNS/LES) resolve these structures but remain computationally prohibitive, while low-order models such as the one-dimensional Koch-Kutz model capture circumferential wave motion yet lack the expressivity for high-frequency content. We use continuous data assimilation (nudging) to synchronize the Koch-Kutz solver with processed high-fidelity temperature data, introducing the prediction-observation mismatch as a relaxation source in the conserved energy equation; where observations are temporally sparse, interpolation supplies a target at every source update. As the nudging strength increases, the reduced model is progressively drawn onto the high-fidelity trajectory, and the forcing recorded along it provides an explicit, state-dependent estimate of the correction the model requires. We then train a Jacobian-regularized closure a priori on this recorded source. With the observation term removed, the corrected model advances autonomously, remains bounded, and recovers the temperature spectrum and the marginal statistics of the conserved variables relative to the baseline.
• Abstract（参考訳）: 回転起爆エンジン(RDE)は、観測熱場を設定できる強い非線形、多スケールの波動ダイナミクスを示す。 高忠実度シミュレーション(DNS/LES)はこれらの構造を解き明かすが、一次元コッホ・クッツモデルのような低次モデルは周波の動きを捉えるが、高周波コンテンツの表現性は欠いている。 我々は、連続データ同化(ニュジング)を用いて、コッホ・クッツ解法と処理された高忠実度温度データとを同期させ、保存エネルギー方程式の緩和源として予測観測ミスマッチを導入する。 ネージング強度が増大するにつれて、縮小されたモデルを高忠実度軌道に徐々に描画し、それに沿って記録された強制は、そのモデルに必要な補正を明示的かつ状態依存的に推定する。 次に、この記録ソース上で、ヤコビアン正規化クロージャを事前訓練する。 観測期間を外すと、補正されたモデルが自律的に進行し、境界が保たれ、温度スペクトルと保存変数の基底値に対する限界統計が回復する。

関連論文リスト

• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• Conditional Score-Based Modeling of Effective Langevin Dynamics [0.0]
  縮小モデルの係数と有限時間遷移密度の関係に基づくデータ駆動キャリブレーション手法を提案する。 得られた同一性は、観測されたラッカート対に対する定常的な期待としてラガート相関関数の微分を表現する。 解析的トラクタブルおよびデータ駆動型非平衡拡散に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-27T01:58:16Z)
• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
  拡散モデルは分子設計のための強力な生成モデルとして登場した。 彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。 直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
  論文  参考訳（メタデータ） (2026-01-13T20:09:44Z)
• Diffusion Models are Molecular Dynamics Simulators [0.0]
  バッチ次元に逐次バイアスを付与したデノナイズ拡散サンプリング器が,ランゲヴィン力学を過度に破壊するオイラー・丸山積分器であることを証明した。 各逆消音ステップは、その関連するばね剛性を伴って、ノイズスケジュールとその剛性とで協調して設定された有効時間ステップを有する微分方程式の一段階と解釈することができる。 学習したスコアは、学習したエネルギーの勾配の役割を担い、拡散サンプリングとランゲヴィン時間進化の正確な対応を与える。
  論文  参考訳（メタデータ） (2025-11-21T19:48:32Z)
• ETC: training-free diffusion models acceleration with Error-aware Trend Consistency [46.40478218579471]
  モデル出力の再利用による拡散過程の促進 これらの手法は傾向を無視し、モデル固有の寛容性に対する誤り制御を欠いている。 拡散軌道の滑らかな連続性を利用するフレームワークであるETC(Error-aware Trend Consistency)を紹介する。 ETCはFLUXよりも2.65倍の加速を実現し、一貫性の劣化は無視できる。
  論文  参考訳（メタデータ） (2025-10-28T07:08:09Z)
• 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)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
  拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。 我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T21:52:03Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。