論文の概要: Compositional Embedding Architecture for Physical Field Prediction in Componentized Aerospace Systems

• arxiv url: http://arxiv.org/abs/2610.00237v1
• Date: Wed, 23 Sep 2026 04:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.580971
• Title: Compositional Embedding Architecture for Physical Field Prediction in Componentized Aerospace Systems
• Title（参考訳）: コンポーネント化航空宇宙システムにおける物理場予測のための構成埋め込みアーキテクチャ
• Abstract要約: Tree-Structured Factor Composing Network (TFCN)は、複雑な宇宙船の熱構成を再利用可能な局所的な物理因子に分解する。 TFCNは成分数の変化による温度場予測の信頼性を向上させる。
• 参考スコア（独自算出の注目度）: 3.3741417844524726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spacecraft thermal design requires repeated evaluation of how variations in the number and spatial arrangement of heat-generating components and in thermal boundary conditions affect the temperature field. High-fidelity numerical simulations are computationally expensive and therefore difficult to use for large-scale design screening. Although surrogate models can accelerate temperature-field prediction, existing approaches generally encode each complete configuration as a whole and do not explicitly exploit the reusability of local physical constituents across configurations, which limits their accuracy for component counts and combinations not covered during training. To address this issue, we propose the Tree-Structured Factor Composition Network (TFCN), which decomposes complex spacecraft thermal configurations into reusable local physical factors and employs a tree-structured composition module to learn the global temperature-field response associated with different factor combinations. TFCN is evaluated on two-dimensional steady-state spacecraft thermal-analysis cases with prescribed-temperature and radiative-flux boundary conditions. The model is trained exclusively on configurations containing no more than 15 heat-generating components and evaluated on unseen configurations containing 16-25 components. For the prescribed-temperature and radiative-flux cases, TFCN achieves component-count out-of-distribution RMSE values of 4.21 K and 18.62 K, respectively, representing reductions of 65.6% and 33.6% relative to the strongest baseline. These results demonstrate that TFCN improves the reliability of temperature-field prediction under variations in component count and provides an efficient surrogate for rapid spacecraft thermal-design evaluation and large-scale configuration screening.
• Abstract（参考訳）: 宇宙船の熱設計では、熱発生成分の数と空間配置の変化が温度場にどのように影響するかを繰り返し評価する必要がある。 高忠実度数値シミュレーションは計算コストが高いため、大規模な設計スクリーニングには使用が困難である。 シュロゲートモデルは温度場予測を加速することができるが、既存のアプローチは一般に、各構成全体を符号化し、トレーニング中にカバーされないコンポーネント数と組み合わせの精度を制限する構成間の局所的な物理成分の再利用性を明示的に利用しない。 この問題に対処するため,複雑な宇宙船の熱構成を再利用可能な局所物理因子に分解する木構造因子合成ネットワーク (TFCN) を提案する。 TFCNは、所定の温度と放射束境界条件を持つ2次元定常宇宙船熱分析ケースで評価される。 このモデルは、15個の熱発生成分を含む構成にのみ訓練され、16-25個のコンポーネントを含む見えない構成に評価される。 所定温度および放射束の場合、TFCNは、それぞれ4.21Kと18.62Kの成分数外RMSE値を達成し、最強基線に対して65.6%と33.6%の減少を示す。 これらの結果から,TFCNは成分数の変化による温度場予測の信頼性を向上し,高速な宇宙船熱設計評価と大規模構成スクリーニングのための効率的なサロゲートを提供することが示された。

関連論文リスト

• On the Importance of Geometric Nonlinearity and Temperature-Dependent Properties in Multi-Material Thermo-Mechanical Topology Optimization [6.456921673759335]
  熱機械に適合するデバイスは、小さなひずみの線形弾性と温度非依存の材料特性を持つように設計されている。 熱的多材料最適化における各仮定の効果とコストを定量化する。 従順な装置だ
  論文  参考訳（メタデータ） (2026-08-11T01:01:36Z)
• CASCADE: Cross-scale Advective Super-resolution with Climate Assimilation and Downscaling Evolution [51.56484100374058]
  CASCADEは、学習された流況変動場に沿って粗い情報を反復的に検出することで微細構造を再構築する。 SEVIRレーダデータを用いて、激しい対流嵐の4倍の超解像について評価した。 大気や海洋の用途において、対流に支配される極端に適した、時間的に一貫した、物理的に一貫した、そして大量保存された復元を生成する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:54Z)
• Learning Transient Convective Heat Transfer with Geometry Aware World Models [41.969427056765014]
  本稿では,映像生成アーキテクチャ(LongVideoGAN)を応用し,一貫した物理を学習する幾何学的世界モデルアーキテクチャを提案する。 本研究では, 固体構造内の熱流に結合した浮力駆動流れからの対流熱伝達を伴う2次元過渡流体力学 (CFD) 問題について検討した。
  論文  参考訳（メタデータ） (2026-01-29T18:24:24Z)
• Coherence Dispersion and Temperature Scales in a Quantum-Biology Toy Model [51.56484100374058]
  量子コヒーレンス(英語版)が任意の量子状態のいくつかの外対角要素の間にどのように散乱するかを考察する。 平衡外システムに焦点をあてることで、我々は開発されたフレームワークを使用して、セル・エネルギティクスの単純化されたモデルに対処する。
  論文  参考訳（メタデータ） (2025-12-13T14:21:34Z)
• Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors [22.013633764284936]
  温度場における測定の高コスト化と相当な分布変化は、再構成モデルの開発に挑戦する。 暗黙的な物理誘導型温度場再構成フレームワークであるIPTRを提案する。 我々はIPTRが既存の手法を一貫して上回り、最先端の再構築精度と強力な一般化能力を実現していることを示す。
  論文  参考訳（メタデータ） (2025-12-01T02:22:30Z)
• A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
  偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。 提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。 ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
  論文  参考訳（メタデータ） (2024-05-21T02:41:40Z)
• Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)解析は多くのエネルギー系の設計に不可欠である。 高忠実CHT数値シミュレーションは計算集約的である。 我々は,CHT解析のためのモジュール型ディープエンコーダ・デコーダ階層型畳み込みニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)
• Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
  本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。 開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
  論文  参考訳（メタデータ） (2023-09-03T20:57:10Z)
• A Machine Learning Framework for Real-time Inverse Modeling and Multi-objective Process Optimization of Composites for Active Manufacturing Control [0.0]
  リアルタイムに空気温度サイクルを最適化できる新しい機械学習(ML)フレームワークを提示する。 このフレームワークは、2つのリカレントニューラルネットワーク(NN)で構成されており、300シミュレーション/秒の速度で不正な計算問題の逆モデリングを行う。
  論文  参考訳（メタデータ） (2021-04-22T22:54:36Z)

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。