論文の概要: High-fidelity Three-Dimensional Flow Field Reconstruction Driven by Turbulent Fluid Dynamics

• arxiv url: http://arxiv.org/abs/2610.18045v1
• Date: Tue, 13 Oct 2026 09:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.577947
• Title: High-fidelity Three-Dimensional Flow Field Reconstruction Driven by Turbulent Fluid Dynamics
• Title（参考訳）: 乱流流体力学による高忠実3次元流れ場再構成
• Abstract要約: 高忠実な3次元乱流場は、科学および工学的な分析に不可欠である。 粗いデータからの超解像再構成は、有望な代替手段となる。 既存のデータ駆動アプローチは、マルチスケールのボリューム構造を回復するのに依然として苦労している。 時間分解型3次元流れ再構成のための乱流認識フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 62.28345554656161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity three-dimensional turbulent flow fields are essential for scientific and engineering analyses, yet obtaining them through direct numerical simulation or high-resolution measurements remains expensive. Super-resolution reconstruction from coarse-grained data therefore offers a promising alternative, but remains fundamentally challenging because fine-scale structures are intrinsically three-dimensional and dynamically coupled across scales. Existing data-driven approaches still struggle to recover multiscale volumetric structures and their coherent temporal evolution. To address these limitations, we propose a turbulence-aware framework for time-resolved three-dimensional flow reconstruction. The framework couples a multiscale neural operator, designed to recover volumetric structures, with a state space model to promote temporal consistency in the reconstructed dynamics. In addition, Navier-Stokes residuals are incorporated as soft constraints to regularize the reconstruction toward physically plausible dynamics. A mixture-of-experts mechanism is also introduced to support unsupervised adaptation to unknown coarse-graining. Across evaluations on canonical turbulent systems and atmospheric reanalysis data, the proposed framework reduces reconstruction errors relative to learning-based and classical baselines, while better preserving multiscale spatial structure and coherent temporal evolution. These results validate the effectiveness of the proposed framework in reconstructing high-fidelity three-dimensional flow fields from coarse-grained data.
• Abstract（参考訳）: 高忠実な3次元乱流場は、科学や工学的な分析には不可欠であるが、直接数値シミュレーションや高分解能測定によって得られるものは高価である。 したがって、粗粒度データからの超解像再構成は有望な代替手段を提供するが、細粒度構造は本質的に3次元であり、スケール全体で動的に結合しているため、基本的には困難である。 既存のデータ駆動アプローチは、マルチスケールのボリューム構造とその一貫性のある時間進化を回復するのに依然として苦労している。 これらの制約に対処するため,時間分解型3次元流れ再構成のための乱流認識フレームワークを提案する。 このフレームワークは、ボリューム構造を復元するために設計されたマルチスケールのニューラル演算子と、再構成されたダイナミックスにおける時間的一貫性を促進する状態空間モデルとを結合する。 さらに、Navier-Stokes残基は、物理的に可算な力学への再構成を規則化するためのソフト制約として組み込まれている。 また、未知の粗粒化への教師なし適応を支援するために、Mix-of-experts機構も導入された。 標準乱流系と大気再解析データの総合評価において,学習ベースおよび古典的ベースラインに対する再構成誤差を低減し,マルチスケールの空間構造とコヒーレント時間的進化を良好に保存する。 これらの結果は, 粗粒度データから高忠実度3次元流れ場を再構成する際のフレームワークの有効性を検証した。

関連論文リスト

• Efficient and Scalable Physics-Guided Fully Convolutional Spatiotemporal Learning for 3D Microstructure Evolution Prediction [13.239769357659412]
  本研究は,完全3次元構造の直接的多フレーム予測のための物理誘導完全畳み込みフレームワークを開発する。 このフレームワークは、基準位相分解器と比較して30倍以上の壁面速度を達成している。
  論文  参考訳（メタデータ） (2026-09-29T01:58:56Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Attention mechanism for scalable mesh-based neural surrogates of free-surface fluids [0.0]
  粒子有限要素法(PFEM)のようなラグランジアン法による自由表面流れの高忠実度シミュレーションを計算的に要求する。 この問題は非ニュートンのレオロジーによってさらに増幅され、材料非線形性は計算コストを増大させる。 自由表面流れのPFEMシミュレーションのための自己アテンションに基づくニューラルサロゲートを提案する。
  論文  参考訳（メタデータ） (2026-06-22T12:33:55Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• HYPERPOSE: Hyperbolic Kinematic Phase-Space Attention for 3D Human Pose Estimation [0.0]
  HYPERPOSEは、新しい3Dヒューマンポーズ推定フレームワークである。 人間の骨格の階層木の中で、ロレン時間的推論を行う。
  論文  参考訳（メタデータ） (2026-05-11T07:17:32Z)
• Long-Term Multi-Session 3D Reconstruction Under Substantial Appearance Change [52.46888249268445]
  長期の環境モニタリングには、数ヶ月または数年ごとに分割された繰り返しサイト訪問で3Dモデルを再構築し調整する機能が必要である。 既存のアプローチは、独立して再構築されたセッションのポストホックアライメントに依存している。 我々は,共同SfM再建において,クロスセッション対応を直接実施することを提案する。
  論文  参考訳（メタデータ） (2026-02-24T06:12:51Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。