論文の概要: Physics-Guided Multi-Fidelity Surrogate Modeling for Natural Supercavity Geometry of an Axisymmetric Conical Cavitator

• arxiv url: http://arxiv.org/abs/2610.18886v1
• Date: Tue, 06 Oct 2026 15:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.723516
• Title: Physics-Guided Multi-Fidelity Surrogate Modeling for Natural Supercavity Geometry of an Axisymmetric Conical Cavitator
• Title（参考訳）: 軸対称円錐キャビタの自然超キャビティ幾何学のための物理誘導多面体サロゲートモデリング
• Abstract要約: 円錐型キャビテーションの背後にある超キャビテーションは、水中車両の全身に持続する蒸気充填エンベロープを生成し、流体力学的な皮膚摩擦抵抗を低減し、完全に濡れた流れでは到達不能な性能レベルを可能にする。 超キャビテーション魚雷キャビテーションの静的設計とリアルタイム形状管理には,キャビテーション数とコーンハーフアングルの関数としての最大キャビテーション長,最大キャビテーション半径,局所キャビテーションプロファイルの予測が不可欠である。 既存のデータ駆動機械学習アプローチは、より高い精度を提供するが、完全な設計上の多相計算流体力学(CFD)の禁止コストに制約される。
• 参考スコア（独自算出の注目度）: 0.22940141855172033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural supercavitation behind conical cavitators generates a vapor-filled envelope that, when sustained over the full body of a high-speed underwater vehicles, reduces hydrodynamic skin-friction drag and enables performance levels unattainable in fully wetted flow. Accurate prediction of maximum cavity length and maximum cavity radius and local cavity profile as functions of cavitation number and cone half-angle is essential for both the static design and the real-time shape management of super-cavitating torpedo cavitators. Classical analytical models provide computationally inexpensive predictions but exhibit systematic disagreements in the practically important regime of moderate cavitation number and large angle, where slender-body assumptions begin to break down. Existing data-driven machine learning approaches offer higher accuracy but are constrained by the prohibitive cost of multiphase computational fluid dynamics (CFD) sweeps over the full design space. This study proposes a physics-guided multi-fidelity surrogate framework based on Extended Hierarchical Kriging (PG-EHK) that addresses this challenge by fusing the multiple competing analytical cavity formulas as non-level low-fidelity (LF) trend functions corrected by a sparse set of high-fidelity (HF) CFD data. It simultaneously incorporates the analytical models regardless of their local fidelity ordering, using Bayesian-estimated scaling factors to construct the trend function as physical baseline. The resulting surrogate maps operational condition inputs to cavity geometry responses using fewer than 20 high-fidelity CFD evaluations. Cross-validation on five independent hold-out CFD cases demonstrates that the proposed PG-EHK surrogate achieves 61% reduction in prediction error compared to the best-performing individual analytical approach.
• Abstract（参考訳）: 円錐型キャビテーションの背後にある自然の超キャビテーションは、高速水中車両の全身に持続する蒸気充填エンベロープを生成し、流体力学的な皮膚摩擦抵抗を低減し、完全に濡れた流れでは到達できない性能レベルを可能にする。 超キャビテーション魚雷キャビテーションの静的設計とリアルタイム形状管理には,キャビテーション数とコーンハーフアングルの関数としての最大キャビテーション長,最大キャビテーション半径,局所キャビテーションプロファイルの正確な予測が不可欠である。 古典的な分析モデルは計算的に安価に予測するが、中程度のキャビテーション数と大きな角度の実用上重要な状態において、細身の仮定が崩壊し始める体系的な不一致を示す。 既存のデータ駆動機械学習アプローチは高い精度を提供するが、多相計算流体力学(CFD)の禁止コストに制約される。 本研究では,高忠実度(HF)CFDデータのスパースセットによって補正された非レベル低忠実度(LF)トレンド関数として,複数の競合する解析空洞公式を融合させることにより,この課題に対処する物理誘導型多階層サロゲートフレームワークを提案する。 局所忠実度順序によらず解析モデルを同時に組み込んで、ベイズ推定スケーリング因子を用いて、トレンド関数を物理ベースラインとして構築する。 その結果,20本未満の高忠実度CFD評価を用いて,操作条件入力を空洞形状応答にマッピングした。 5つの独立したホールドアウトCFDケースのクロスバリデーションは、PG-EHKサロゲートが予測誤差を61%減少させることを示す。

関連論文リスト

• ReAl: Refine neural operators via aligning dynamical flow [40.18123020390683]
  Refine and Align(ReAl)は、プレトレーニングされたPDEサロゲートを増強し、高周波構造の再構築を改善するモデルに依存しないプラグインである。 精製段階において、条件付きフローマッチングモデルは、決定論的基底予測の周囲の残留分布を学習する。 アライメントの段階では、自己回帰的なロールアウトで増幅された生成的不一致を軽減するために、同じ入力から複数のトラジェクトリを生成する。
  論文  参考訳（メタデータ） (2026-10-14T15:41:24Z)
• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• Accelerating Bayesian inverse design in computational fluid dynamics using neural operators [0.24554686192257422]
  後部構造を保ちながらMCMC推論ループに直接神経オペレーターを埋め込むことができることを示す。 完全に観察された間、代理ベースの推論はCFD参照の後方幾何学と不確実性傾向を再現する。
  論文  参考訳（メタデータ） (2026-05-25T17:18:18Z)
• High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications [3.8347851078346427]
  本研究は, 加圧水型原子炉における高忠実度計算流体力学(CFD)および組立レベル流動特性評価のためのデータ駆動モデリングフレームワークを提案する。 ポンプ誘起スワール境界条件による過渡的シミュレーションを可能にするために, 一般に利用可能な幾何学的条件と操作条件を用いて, フルロープルおよびコア・インレット領域を構築した。 その結果, コールドレッグスワールおよびロウアープレナム輸送は, 特に下部コア付近において, 組立方向のインレットフロー分布を強く均一に生成することがわかった。 3次元畳み込み型塗装モデルによる部分観察による組立レベル質量流量の復元に成功した
  論文  参考訳（メタデータ） (2026-05-23T22:50:23Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• AortaDiff: Volume-Guided Conditional Diffusion Models for Multi-Branch Aortic Surface Generation [8.062885940500259]
  AortaDiffは、CT/MRIボリュームから直接滑らかな大動脈表面を生成する拡散ベースのフレームワークである。 AortaDiffは、限られたトレーニングデータでも効果的に動作し、正常および病理学的に変更された大動脈メッシュの両方を構築することに成功した。 この能力は、AortaDiffを心臓血管研究の実用的なソリューションとして、高品質な可視化と位置の創出を可能にする。
  論文  参考訳（メタデータ） (2025-07-17T00:36:51Z)
• Physics-Based Machine Learning Closures and Wall Models for Hypersonic Transition-Continuum Boundary Layer Predictions [0.21748200848556343]
  我々は、輸送モデルと境界条件を強化する物理制約付き機械学習フレームワークを開発する。 この2次元超音速平板流れをマッハ数とクヌーゼン数で評価した。 その結果,スキュート・ガウス分布関数壁モデルと組み合わせた無微量異方性粘度モデルにより,精度が大幅に向上した。
  論文  参考訳（メタデータ） (2025-07-11T19:40:00Z)
• Temporally Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
  時間的に一貫したクープマンオートエンコーダ(tcKAE)を導入する。 tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。 我々は、様々なテストケースにおいて、最先端のKAEモデルよりもtcKAEの優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2024-03-19T00:48:25Z)

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。