論文の概要: FG-ConvNO: A Geometry-Aware Neural Operator for Propeller CFD Prediction

• arxiv url: http://arxiv.org/abs/2610.33456v1
• Date: Sat, 24 Oct 2026 05:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.333207
• Title: FG-ConvNO: A Geometry-Aware Neural Operator for Propeller CFD Prediction
• Title（参考訳）: FG-ConvNO:プロペラCFD予測のための幾何学的ニューラルネットワーク
• Abstract要約: 計算力学(CFD)は現代工学設計において不可欠であるが、計算コストは高い。 科学モデリングのための機械学習の最近の進歩は強力なサロゲートフレームワークに繋がった。 限られたトレーニングデータの下でのロバストな幾何認識一般化のためのFG-ConvNO(Factized Geometry Convolutional Neural Operator)を提案する。
• 参考スコア（独自算出の注目度）: 73.25252821263845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational Fluid Dynamics (CFD) is essential in contemporary engineering design, yet it remains expensive to compute and can take thousands of CPU/GPU hours or more for a single high-fidelity simulation. Recent developments in machine learning for scientific modeling have led to powerful surrogate frameworks that can approximate flow fields and physical quantities by using a fraction of the computational cost. However, most of these methods require largescale homogeneous datasets or simple geometries, exhibiting severe generalization gaps when applied to complex and data-scarce configurations. To address this, we propose the Factorized Geometry Convolutional Neural Operator (FG-ConvNO) for robust geometry-aware propeller pressure prediction under limited training data. We introduce geometryaware encoding, efficient interpolation-based decoding, and auxiliary global quantity supervision. In addition, we incorporate DISCO blocks that use discrete continuous convolutions to make the model discretization agnostic. In our experiments, FG-ConvNO achieves the highest accuracy for both surface pressure and global thrust prediction on a procedurally generated propeller CFD dataset. Geometry-aware encoding and architectural simplification improve stability, while random vertex subsampling enhances robustness. Overall, adding geometric priors to grid-based convolutional operators reduces overfitting on complex propeller geometries and improves generalization in low-data regimes.
• Abstract（参考訳）: 計算流体力学(CFD)は現代工学設計において不可欠であるが、計算コストは高く、単一の高忠実度シミュレーションに数千時間以上かかる。 科学モデリングのための機械学習の最近の進歩は、計算コストのごく一部を利用することで、流れ場と物理量の近似が可能な強力なサロゲートフレームワークを生み出している。 しかし、これらの手法の多くは、大規模な均一なデータセットや単純なジオメトリを必要とし、複雑でデータスカースな構成に適用した場合、重大な一般化のギャップが生じる。 そこで本研究では,FG-ConvNO(Factized Geometry Convolutional Neural Operator)を用いて,限られたトレーニングデータの下でのロバストな幾何認識プロペラ圧力予測を提案する。 本稿では,ジオメトリア・エンコーディング,効率的な補間に基づく復号化,および大域的量管理について紹介する。 さらに、離散的な連続的畳み込みを用いたdisCOブロックを組み込んで、モデルの離散化を非依存にする。 実験では,FG-ConvNOはプロペラCFDデータセット上で,表面圧力と大域推力予測の両方に対して高い精度を達成する。 幾何学的符号化とアーキテクチャの単純化により安定性が向上する一方、ランダム頂点サブサンプリングはロバスト性を高める。 全体として、グリッドベースの畳み込み演算子に幾何学的先行性を加えることで、複雑なプロペラのジオメトリーへの過度な適合を減らし、低データ状態における一般化を改善する。

関連論文リスト

• CANTO: CAD-Native Transformer Operators for AI-Aided Engineering [37.644374600631004]
  CANTOは、連続CAD幾何学から物理場へ直接マッピングするトランスフォーマーニューラル演算子で、入力をメッシュ化しない。 CANTOを4つの自動車・航空機産業ベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-09-29T06:21:15Z)
• FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition [10.969341855852276]
  指向性エネルギー沈着(DED)は複雑な熱力学的応答を生じさせ、製造部品の歪みと寸法精度を低下させる。 本稿では,DEDの冷却後変位場を幾何学的およびプロセスパラメータから予測するデータ効率な代理モデルフレームワークであるFLAREを紹介する。 FLAREは各シミュレーションを暗黙のニューラルネットワークとして符号化し、対応するニューラルネットワークの重みを正規化し、入力パラメータ空間のアフィン構造に従う。
  論文  参考訳（メタデータ） (2026-04-17T19:11:27Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• Geometry-Informed Neural Operator Transformer [0.8906214436849201]
  この研究は、Geometry-Informed Neural Operator Transformer (GINOT)を導入し、トランスフォーマーアーキテクチャとニューラルオペレータフレームワークを統合し、任意のジオメトリの前方予測を可能にする。 GINOTの性能は複数の挑戦的なデータセットで検証され、複雑で任意の2Dおよび3Dジオメトリに対して高い精度と強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-28T03:39:27Z)
• Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
  非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。 業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:57:57Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。