論文の概要: Enhancing generalization in endwall film cooling prediction: Incorporating the superposition principle into transformer-based neural operators

• arxiv url: http://arxiv.org/abs/2609.31633v1
• Date: Thu, 10 Sep 2026 05:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:35:07.649133
• Title: Enhancing generalization in endwall film cooling prediction: Incorporating the superposition principle into transformer-based neural operators
• Title（参考訳）: エンドウォール膜冷却予測における一般化の促進:スーパーポジション原理をトランスフォーマーベースニューラル演算子に組み込む
• Abstract要約: タービン端壁の冷却レイアウトは、ランダムに割り当てられた膜孔を有するいくつかの部分に分割される。 Transformerベースのニューラルオペレータネットワーク、すなわちCalculate Netは、各サブパートの温度場を予測するように設計されている。 第2段階では、別のニューラル演算子ネットワーク、すなわちスーパーネットが、各サブ部で計算ネットによって予測される温度場を組み合わせて、全冷却レイアウトの重畳された温度場を得るように訓練される。
• 参考スコア（独自算出の注目度）: 3.4285206964708372
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this study, a physics-enhanced neural operator framework is proposed to enhance the generalization prediction ability of the cooling layout of a turbine endwall with variable number of film holes. Specifically, inspired by the film cooling superposition principle, we propose a film cooling prediction model, namely superposition-based deep neural operator (SDNO), that divides the endwall temperature field prediction into two stages. In the first stage, the cooling layout of a turbine endwall is divided into several sub-parts with randomly assigned film holes, and a Transformer-based neural operator network, namely Calculate Net, is designed to predict the temperature field of each sub-part. Then, in the second stage, another neural operator network, i.e., Super Net, is trained to combine the temperature fields predicted by Calculate Net for each sub-part and obtain the superposed temperature field of the full cooling layout. Additionally, instead of directly taking the film cooling contours as pixel plots, a signed distance function (SDF) which is sensitive to the variable locations of cooling holes, is designed to encode the location information of cooling holes. Furthermore, the proposed endwall film cooling prediction model is trained with the samples that changing the number of film holes from 1-5 with variable locations. Then, the trained prediction shows excellent generalization prediction ability, which can accurately predict the film effectiveness of the cooling layout with 10-20 film cooling holes that are unseen in the training samples. The proposed SDNO also improves prediction accuracy relative to the fully supervised baseline. With the above, the effectiveness of our proposed prediction model has been well demonstrated.
• Abstract（参考訳）: 本研究では, 可変数の膜孔を有するタービン端壁の冷却レイアウトの一般化予測能力を高めるために, 物理強化型ニューラルオペレーターフレームワークを提案する。 具体的には, 膜冷却重ね合わせ原理に着想を得て, 膜冷却予測モデル, すなわち重ね合わせ型ディープニューラル演算子 (SDNO) を提案し, エンドウォール温度場予測を2段階に分割する。 第1段階では、タービンエンドウォールの冷却レイアウトを、ランダムに割り当てられたフィルムホールを持つ複数のサブパートに分割し、トランスフォーマーベースのニューラルオペレータネットワーク、すなわちCalculate Netは、各サブパートの温度場を予測するように設計されている。 次に、第2段階では、別のニューラル演算子ネットワーク、すなわちスーパーネット(Super Net)が、各サブ部で計算ネットによって予測される温度場を組み合わせて、全冷却レイアウトの重畳された温度場を得るように訓練される。 また, フィルム冷却輪郭を直接画素プロットとする代わりに, 冷却孔の位置情報を符号化する符号付き距離関数 (SDF) を設計した。 さらに, 膜孔数を1-5から可変位置で変化させるサンプルを用いて, 提案したエンドウォール膜冷却予測モデルを訓練した。 そして、トレーニングされた予測は、トレーニングサンプルに見られない10〜20フィルム冷却孔による冷却レイアウトの膜効果を正確に予測できる、優れた一般化予測能力を示す。 提案したSDNOは,教師付きベースラインに対する予測精度も向上する。 以上より,提案手法の有効性を実証した。

関連論文リスト

• Prompt2Effect: Training-Free Image-to-Video Model Specialization via LoRA Generation [71.45435100897093]
  Prompt2Effectは、効果特異的なLoRA重みを1つの前方通過で直接合成することにより、効果ごとのトレーニングを改善できる、重量駆動型ハイパーネットワークである。 Prompt2Effect は従来の LoRA ファインタニングと比較してビデオ品質や効果アライメントに優れることを示した。
  論文  参考訳（メタデータ） (2026-06-11T23:26:44Z)
• To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
  LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。 LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-06T09:55:03Z)
• Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
  金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。 本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。 提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
  論文  参考訳（メタデータ） (2024-01-04T18:42:28Z)
• TPTNet: A Data-Driven Temperature Prediction Model Based on Turbulent Potential Temperature [0.7575778450247893]
  数値気象予測(NWP)の計算負担を軽減するため,ニューラルネットワークを用いた表面温度予測のためのデータ駆動モデルを提案した。 TPTNetと命名された我々のモデルは, 気象観測所で観測された2mの温度のみを用いて, 限られた予報時間における局部温度の予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T01:02:27Z)
• A polar prediction model for learning to represent visual transformations [10.857320773825357]
  本稿では,自然映像の規則性を利用して正確な予測を行う自己教師付き表現学習フレームワークを提案する。 自然なビデオデータセットをトレーニングすると、従来の動き補償よりも優れた予測性能が得られる。 我々のフレームワークは、視覚システムが時間的予測を単純化する形で感覚入力をどのように表現するかを理解するための、原則化されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-03-06T19:00:59Z)
• Predicting the performance of hybrid ventilation in buildings using a multivariate attention-based biLSTM Encoder-Decoder neural network [0.0]
  本稿では,窓の開閉時の室内空気温度を予測するディープニューラルネットワーク(DNN)の機能について検討する。 その結果,DNNは窓の開閉時に5つのゾーンの室内空気温度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） (2023-02-08T15:24:17Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)
• A latent variable approach to heat load prediction in thermal grids [10.973034520723957]
  この方法はスウェーデンのルリアにある1つの多層住宅に適用される。 結果は、人工ニューラルネットワークを用いた予測と比較される。
  論文  参考訳（メタデータ） (2020-02-13T09:21:17Z)

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。