論文の概要: Shaping the Wind: Nested Potentials for Kinematically Admissible Urban Wind Prediction
- arxiv url: http://arxiv.org/abs/2610.07033v1
- Date: Sun, 04 Oct 2026 19:22:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.522055
- Title: Shaping the Wind: Nested Potentials for Kinematically Admissible Urban Wind Prediction
- Title（参考訳）: 風を形作る: 運動学的に許容できる都市風速予測のためのネステッドポテンシャル
- Abstract要約: ビルディング・リゾルディング大渦シミュレーションは,各レイアウトに対して相当な計算コストで,詳細な非圧縮性都市風力場を生成する。
ニューラルサロゲートは、速度場の進化を予測する学習によって、より高速な代替手段を提供する。
都市形態と流入条件にまたがるLESデータセットであるUrbanWindFlowを導入し,精度と運動学的適応性を評価する。
- 参考スコア（独自算出の注目度）: 25.002921795084916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting transient urban winds is fundamental to understanding urban microclimates and designing climate-resilient cities. Building-resolving large-eddy simulation produces detailed incompressible urban wind fields at substantial computational cost for each layout. Neural surrogates offer a faster alternative by learning to predict the evolution of velocity fields. However, minimizing velocity prediction error does not guarantee local mass conservation and wall impermeability, which together define kinematic admissibility. This limitation stems from an unconstrained output representation: geometry conditioning guides predictions but does not restrict them to admissible velocity fields. Correcting boundary violations in these outputs changes the flux balance in adjacent fluid cells and may consequently compromise local mass conservation. To address the challenge, we propose Sculpt, a nested potential framework that builds the coupled, geometry-dependent constraints directly into its parameterization. This nested parameterization generates divergence-free velocity updates through the discrete curl of a volume vector potential on the native three-dimensional staggered grid. A shared scalar potential constrains the vector potential's boundary values so that the same operator also enforces impermeability, without a per-step pressure projection. Because backpropagation through this curl attenuates large-scale gradient signals, we parameterize the volume potential at multiple resolutions to better capture large-scale flow structures. We introduce UrbanWindFlow, an LES dataset spanning urban morphologies and inflow conditions, to evaluate accuracy and kinematic admissibility together.
- Abstract（参考訳）: 過渡的な都市風の予測は、都市の微気候を理解し、気候に耐性のある都市を設計するための基本となる。
ビルディング・リゾルディング大渦シミュレーションは,各レイアウトに対して相当な計算コストで,詳細な非圧縮性都市風力場を生成する。
ニューラルサロゲートは、速度場の進化を予測する学習によって、より高速な代替手段を提供する。
しかし、速度予測誤差の最小化は局所的な質量保存と壁透過性を保証しない。
幾何条件付けは予測を導くが、許容速度場に制限しない。
これらの出力における境界欠陥の補正は、隣接する流体細胞のフラックスバランスを変化させ、結果として局所的な質量保存を損なう可能性がある。
この課題に対処するため、我々はパラメータ化に直接結合した幾何依存制約を構築するネストされた潜在的フレームワークであるSculptを提案する。
このネストパラメータ化は、ネイティブな3次元スタガードグリッド上の体積ベクトル電位の離散カールを通して、ばらつきのない速度更新を生成する。
共有スカラーポテンシャルは、ベクトルポテンシャルの境界値を制限するので、同じ演算子もステップごとの圧力プロジェクションなしで不透過性を強制する。
このカールによるバックプロパゲーションは、大規模勾配信号を減衰させるため、複数の解像度で体積ポテンシャルをパラメータ化して、大規模流れ構造をよりよく捉える。
都市形態と流入条件にまたがるLESデータセットであるUrbanWindFlowを導入し,精度と運動学的適応性を評価する。
関連論文リスト
- Residual-Stream Burden Shapes Representation Learning in Diffusion Transformers [74.0530486095232]
拡散ベースの生成では、ニューラルネットワークをトレーニングして、ノイズやノイズの入力からクリーンなデータを予測することができる。
最終読み出しの深さを通したノイズ依存入力変動を維持するために,雑音のターゲットは残差ストリームを必要とすると論じる。
スペクトル集中されたクリーンターゲットは、より軽量な要求を課し、その後の計算のために隠れた表現を整理する自由を保ちます。
論文 参考訳（メタデータ） (2026-09-27T20:17:39Z) - FluidRain: Incompressible Rain Flow as an Attention Bias for Loop-in-Loop Video Deraining [58.366095609928486]
FluidRainは、ダイバージェンスのない雨の流れを使って、スケールや近隣のフレームにループインループの注意を誘導する軽量ビデオデレーナーである。
4つのベンチマーク実験により、FluidRainは、かなり大きな復元モデルと競合し続けていることが示されている。
また、クリーンな目標を必要とせずに実線除去を評価する物理ベースのノリフレクション指標を開発した。
論文 参考訳（メタデータ） (2026-09-24T04:13:08Z) - Across the Loss Landscape with Progressive Growth [51.366966420881646]
成長を漸進的緩和と見なして、より平坦な地域に向けての訓練戦略がいかに成長・最適化されるかを示す。
制御されたおもちゃの流域や現実的なResNet/CI-100環境でこれらの予測を実証的に検証する。
プログレッシブな部分空間成長は、より平坦な解を確実に生成するが、曲率の低減は、普遍的にテスト性能の向上に変換されず、平坦性一般化接続における微妙さを強調している。
論文 参考訳（メタデータ） (2026-08-25T13:50:48Z) - Taming Curvature: Architecture Warm-Up for Stable Transformer Training [52.6838951211596]
本稿では,Hessian-vector製品を用いた暖かくスタートした変種に基づく最大(プレコンディション付き)Hessian固有値(曲率)の高速オンライン推定手法を提案する。
トレーニングの不安定性は、事前条件付き曲率の急激な上昇と一致し、曲率の深さが増加する。
大規模変圧器の実験により,本手法が効率的な曲率追跡を可能にし,不安定性を低減できることを確認した。
論文 参考訳（メタデータ） (2026-06-15T14:16:56Z) - LagrangianSplats: Divergence-Free Transport of Gaussian Primitives for Fluid Reconstruction [26.888819976353957]
スパース2次元ビデオ観測から3次元流体流速場を再構成することは、非常に不適切な逆問題である。
既存の方法は通常、これらの制約をソフトな罰則によって課し、しばしば精度と収束の問題を引き起こす。
両制約を構造的に強制する再構成フレームワークを導入する。具体的には,連続的な分散自由カーネル表現を用いて,再構成速度をパラメータ化する。
論文 参考訳（メタデータ） (2026-05-10T03:45:50Z) - Inpainting physics: self-supervised learning for context-driven fluid simulation [2.1529676354218674]
本研究では, 定常CFD推論を文脈条件で表現する手法を提案する。
明示的な境界条件を訓練する代わりに、速度場上の自己教師付き事前学習を行う。
頭蓋内大動脈瘤血行動態では, 疎境界から全速度場を再構築する。
論文 参考訳（メタデータ） (2026-05-09T09:37:34Z) - End-to-end data-driven prediction of urban airflow and pollutant dispersion [1.3874486202578666]
本研究の目的は, 意思決定者を支援するため, 都市汚染物質分散の迅速かつ正確なモデルを開発することである。
道路キャニオンにおける気流と汚染物質分散のモデル化と予測を行うために, エンドツーエンドのデータ駆動方式を提案する。
その結果, 時間的地平線上での時間的および統計的に定常な場予測において, モデルの有効性が示された。
論文 参考訳（メタデータ） (2026-03-18T11:19:13Z) - FluxNet: Learning Capacity-Constrained Local Transport Operators for Conservative and Bounded PDE Surrogates [13.645285242786008]
正規グリッド上で保守的な輸送オペレータを学習するためのフレームワークを導入する。
モデルは次の状態を予測する代わりに、近所の交換を通じてセルを更新するローカルトランスポートオペレータを出力する。
浅水式と交通流の実験では, 強いベースライン上でのロールアウト安定性と物理的整合性が向上した。
論文 参考訳（メタデータ） (2026-02-02T10:44:10Z) - WED-Net: A Weather-Effect Disentanglement Network with Causal Augmentation for Urban Flow Prediction [6.501741558388336]
極端な条件下での都市流れの時間予測は、事象のダイナミクスと希少性のために困難である。
WED-Net(Weather-entanglement Network)は,固有気象と交通パターンを分離した2分岐トランスフォーマアーキテクチャである。
We show WED-Net delivers robust performance under extreme weather conditions。
論文 参考訳（メタデータ） (2026-01-30T05:32:47Z) - 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)
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。