論文の概要: Probabilistic Symbolic-Distillation Model of Droplet Collision for Spray Simulation at High Ambient Pressures
- arxiv url: http://arxiv.org/abs/2609.37202v1
- Date: Tue, 29 Sep 2026 10:20:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.416698
- Title: Probabilistic Symbolic-Distillation Model of Droplet Collision for Spray Simulation at High Ambient Pressures
- Title（参考訳）: 高圧力下における噴霧シミュレーションのための液滴衝突の確率論的シンボリック蒸留モデル
- Abstract要約: 液滴衝突は、多くの化学工学プロセスにおける液滴の集団動態を制御している。
約4万件の実験イベントを用いた確率的シンボリック蒸留モデルを構築した。
機械学習の教師は、これらのデータから共同成果確率の景観を学習する。
- 参考スコア（独自算出の注目度）: 7.064464970161796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Droplet collision governs droplet population dynamics in many chemical engineering processes, such as spray drying, spray cooling, agricultural spraying, and combustion. Existing analytical models impose deterministic, pairwise boundaries between collision outcomes, whereas machine-learning classifiers lack the explicit functional form required of analytical collision submodels. In this study, we develop a probabilistic symbolic-distillation model using nearly forty thousand experimental events spanning eight regimes and five dimensionless parameters, including over five thousand data for ambient pressure up to 50 atm. A machine-learning teacher learns the joint outcome-probability landscape from these data, and symbolic regression subsequently distils it into eight class-specific expressions that jointly define a coupled analytical model. The resulting analytical field replaces abrupt regime switching with finite-width fuzzy boundaries. It outperforms the evaluated conventional analytical boundary models and reveals that their main limitation is the inability of zero-width boundaries to represent gradual probability transitions. The "biased-dice" sampling scheme provides a statistically consistent and practically convenient model implementation for Eulerian-Lagrangian spray simulation.
- Abstract（参考訳）: 液滴衝突は, 噴霧乾燥, 噴霧冷却, 農業噴霧, 燃焼などの多くの化学工学プロセスにおいて, 液滴群動態を制御している。
既存の分析モデルは、衝突結果の間に決定論的にペアワイズな境界を課し、一方、機械学習分類器は、解析的衝突サブモデルに必要な明示的な機能形式を欠いている。
本研究では,8つの条件と5つの無次元パラメータにまたがる4万近い実験イベントを用いた確率論的シンボリック蒸留モデルを構築した。
機械学習の教師はこれらのデータから連立結果確率のランドスケープを学習し、その後、シンボリック回帰はそれを8つのクラス固有の表現に分解し、結合分析モデルを共同で定義する。
結果として生じる解析的場は、急激な状態遷移を有限幅ファジィ境界に置き換える。
評価された従来の解析的境界モデルよりも優れており、その主な限界は、段階的な確率遷移を表すため、ゼロ幅境界が不可能であることを示している。
バイアス・ダイス」サンプリングスキームは、ユーレリア・ラグランジアン噴霧シミュレーションのための統計的に一貫性があり、実用的に便利なモデル実装を提供する。
関連論文リスト
- Climate Physics Dynamic Matching [46.03496190842378]
ClimPhyDM(ClimPhyDM)は,気象予報のための変動シミュレーションのない動的情報伝達フレームワークである。
時間毎(42時間)と月毎(5ヶ月)のERA5ベンチマークでは、ClimPhyDMがClimODEやGB-DMより優れており、エラーの少ない水平線を保っている。
論文 参考訳（メタデータ） (2026-08-27T10:07:40Z) - The finite expression method for turbulent dynamics with high-order moment recovery [2.206814815892281]
乱流力学系は、非線形相互作用と結合統計量を生成する効果によって特徴づけられる。
本稿では,シンボル回帰と生成モデルを組み合わせた2段階のデータ駆動モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-11T15:00:38Z) - Data-driven Learning of Probabilistic Model of Binary Droplet Collision for Spray Simulation [7.064464970161796]
二つの液滴衝突は密度の強い噴霧の中では至るところで起こる。
伝統的な決定論的モデルは、遷移的かつ連続的な振る舞いを適切に表現することはできない。
我々は光グラディエントブースティングマシンを用いた確率モデルを開発した。
論文 参考訳（メタデータ） (2026-04-15T07:58:48Z) - Quantile Regression, Variational Autoencoders, and Diffusion Models for Uncertainty Quantification: A Spatial Analysis of Sub-seasonal Wind Speed Prediction [0.0]
本研究の目的は, 大規模大気予測器から表層風速を回帰する際の不確実性の表現を改善することである。
確率論的ディープラーニングモデルは、複雑な空間依存をキャプチャするための有望なソリューションを提供する。
論文 参考訳（メタデータ） (2025-10-19T18:26:46Z) - Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。
ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。
本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
論文 参考訳（メタデータ） (2025-09-30T14:02:00Z) - When and how can inexact generative models still sample from the data manifold? [2.4664553878979185]
スコア関数やドリフトベクトル場における学習誤差にもかかわらず、生成されたサンプルはデータ分布の支持を強調させるが、それから強調しないように見える。
我々は、上のリャプノフベクトルとデータ多様体の境界に沿った接空間とのアライメントがロバスト性をもたらすことを示す。
論文 参考訳（メタデータ） (2025-08-11T03:24:34Z) - Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。
本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
論文 参考訳（メタデータ） (2024-06-23T20:34:18Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Bayesian Learning of Coupled Biogeochemical-Physical Models [28.269731698116257]
海洋生態系の予測モデルは、様々なニーズに使われている。
希少な測定と海洋プロセスの理解が限られているため、かなりの不確実性がある。
候補モデルの空間での処理と新しいモデルの発見を可能にするベイズモデル学習手法を開発した。
論文 参考訳（メタデータ） (2022-11-12T17:49:18Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。