論文の概要: Periodic Neural Mapping for Unsteady Rotor-Blade Pressure and Aeroelastic Load Prediction

• arxiv url: http://arxiv.org/abs/2609.21590v1
• Date: Fri, 18 Sep 2026 10:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.020854
• Title: Periodic Neural Mapping for Unsteady Rotor-Blade Pressure and Aeroelastic Load Prediction
• Title（参考訳）: 非定常ロータブレード圧力に対する周期的ニューラルマッピングとエアロ弾性負荷予測
• Abstract要約: 非定常空気力学的負荷の正確な予測はターボ機械設計において大きな課題である。 この研究は、非定常圧分布を予測するニューラルネットワークフレームワークである周期的フーリエニューラルマッピング(p-FNM)を導入している。 アーキテクチャは時間周期性をモデルに組み込み、動作条件と時間から圧力場への連続的なマッピングを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of unsteady aerodynamic loads remains a major challenge in turbomachinery design. High-fidelity Computational Fluid Dynamics (CFD) simulations are expensive, while aeroelastic Quantities of Interest (QoI) depend sensitively on the temporal evolution of the pressure field. This work introduces periodic Fourier Neural Mapping (p-FNM), a neural-operator framework for predicting unsteady pressure distributions on turbine rotor blades simulated using the chorochronic numerical hypothesis. The architecture embeds temporal periodicity into the model and learns a continuous mapping from operating conditions and time to pressure fields. Unlike sequential latent-space approaches, p-FNM predicts pressure fields independently at any time, avoiding error accumulation while preserving temporal continuity. The model is evaluated on a database of unsteady rotor-blade simulations and compared with a reduced-order baseline based on a variational autoencoder and recurrent neural network, refered as the Temporal Prediction Model (TPM). Performance is assessed for pressure fields and Generalized Aerodynamic Forces (GAFs), the primary aeroelastic QoI. Across all training datasets, p-FNM consistently outperforms TPM. On the largest dataset, p-FNM achieves a pressure-field mean absolute percentage error of 0.46% and a GAF-magnitude prediction error of 4.42%, corresponding to improvements of 60.7% and 77.6%, respectively. The minimum weighted phase error reaches 0.060 rad, demonstrating accurate preservation of the temporal characteristics of the aerodynamic response. The results show that GAF prediction is more challenging than pressure-field prediction and that temporal coherence is critical for accurately predicting spectral aerodynamic quantities. These findings demonstrate the potential of periodic neural operators for reduced-order modeling and aeroelastic analysis in turbomachinery.
• Abstract（参考訳）: 非定常空気力学的負荷の正確な予測はターボ機械設計において大きな課題である。 高忠実度計算流体力学(CFD)シミュレーションは費用がかかるが、関心のエアロ弾性量(QoI)は圧力場の時間的変化に敏感に依存する。 本研究は, 周期的フーリエニューラルマッピング (P-FNM) を導入する。これは, 同期数値仮説を用いてシミュレーションしたタービンローターブレードの非定常圧力分布を予測するニューラルネットワークフレームワークである。 アーキテクチャは時間周期性をモデルに組み込み、動作条件と時間から圧力場への連続的なマッピングを学習する。 逐次潜在空間アプローチとは異なり、p-FNMは時相連続性を保ちながら誤差の蓄積を回避し、圧力場を常に独立に予測する。 このモデルは、非定常ロータブレードシミュレーションのデータベース上で評価され、時間予測モデル(TPM)と呼ばれる変動オートエンコーダと繰り返しニューラルネットワークに基づく低次ベースラインと比較される。 圧力場と一次エアロ弾性QoIである一般空力力(GAF)の性能を評価する。 すべてのトレーニングデータセットで、p-FNMはTPMを一貫して上回る。 最大のデータセットでは、p-FNMは、それぞれ60.7%と77.6%の改善に対応する圧力場平均絶対パーセンテージ誤差が0.46%、GAF-マグニチュード予測誤差が4.42%に達する。 最小重み付き位相誤差は0.060 radに達し、空力応答の時間的特性を正確に保存することを示した。 その結果,GAF予測は圧力場予測よりも困難であり,時間的コヒーレンスはスペクトル空力量の正確な予測に重要であることがわかった。 これらの結果は, ターボ機械の低次モデリングおよび空気弾性解析における周期的ニューラル演算子の可能性を示している。

関連論文リスト

• Spatio-Temporal Prediction of Unsteady Airfoil Aerodynamics Using Augmented Graph Neural Ordinary Differential Equations with Exogenous Controls [0.0]
  本稿では,GNNと拡張ニューラル正規微分方程式を組み合わせることで,投球翼の表面力の時間的安定な予測が得られることを示す。 GNODEと呼ばれる我々の手法は、自己回帰GNNベースラインよりも時間的に安定し、空間的に滑らかで、全体としてより正確な結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2026-07-17T14:21:37Z)
• Robustness of Deep Learning Models for PV Power Forecasting under NWP Forecast Errors: A Spatiotemporal and Physically Interpretable Analysis [3.9240875898929737]
  本研究では,シミュレーションに基づく物理的拘束力評価フレームワークを提案する。 仮想PVパワーを制御応答変数として使用し、プラントレベルの共同設立者からの入力不確実性の伝播を分離する。 その結果,中～高次乱れ条件下での強いベースラインよりも,シーケンスモデルの方が強いノイズフィルタリングと時間的レジリエンスを提供することがわかった。
  論文  参考訳（メタデータ） (2026-07-14T16:48:07Z)
• NeuroDDAF: Neural Dynamic Diffusion-Advection Fields with Evidential Fusion for Air Quality Forecasting [3.9956853658477307]
  物理インフォームド予測フレームワークNeuroDDAFを提案する。 NeuroDDAFは、オープンシステムトランスポートモデリングとニューラル表現学習を統合する。 4つの都市データセットの実験では、NeuroDDAFは一貫して強いベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-04-01T17:27:43Z)
• An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression [36.814181034608666]
  本稿では,電流予測の堅牢性と精度を高めるために,新しい壁圧スペクトル実験モデルを提案する。 このモデルは、遺伝的アルゴリズムに基づくアプローチを用いて、AIに基づく象徴的回帰を用いて開発されている。 これは、フルスケールの風力タービンの空気音響ノイズを予測するために、Amietの理論と統合されている。
  論文  参考訳（メタデータ） (2025-01-14T14:14:22Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。