論文の概要: CFD-driven symbolic regression of RANS transition models
- arxiv url: http://arxiv.org/abs/2611.03210v1
- Date: Mon, 02 Nov 2026 14:34:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 05:46:36.335127
- Title: CFD-driven symbolic regression of RANS transition models
- Title（参考訳）: CFD駆動によるRANS遷移モデルのシンボリックレグレッション
- Abstract要約: 層乱流遷移はターボ機械の摩擦、熱伝達、損失を制御している。
CFD駆動のスパース・シンボリック・レグレッション・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）: 0.632324422931024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Laminar-turbulent transition governs skin friction, heat transfer and losses in turbomachinery, yet Reynolds-averaged Navier-Stokes (RANS) transition models rely on empirical correlations and hand-calibrated activation functions whose structural deficiencies cannot be resolved by recalibration. We propose a CFD-driven sparse symbolic regression framework to learn interpretable, closed-form corrections to the production and destruction activation functions in the intermittency equation of the local, Galilean-invariant $k$-$ω$-$γ$ model of Ge et al. Each correction combines a polynomial of a local pressure-gradient parameter, controlling amplitude and sign, with a bounded exponential of local flow features, controlling spatial support. This construction bounds the corrections without ad hoc limiters. Coefficients are identified by gradient-free optimization with the RANS solver in the loop, accelerated by POD-Kriging field surrogates, using mean-velocity data from wall-resolved large-eddy simulations (LES) of the ERCOFTAC T3 flat-plate cases. Elastic-net hyperparameters are selected automatically through bi-level optimization with leave-one-case-out cross-validation. The resulting model retains 11 of 21 candidate terms, compared with 20 under conventional grid-search tuning, while achieving comparable or slightly better accuracy on training and unseen cases. Both approaches recover the same leading-order correction. Applied without retraining to the transonic LS89 turbine cascade, far beyond the training envelope, the augmented model remains numerically robust and improves heat-transfer predictions at all four operating points, reducing errors by up to 70% where the baseline predicts premature transition under high freestream turbulence. Residual errors in transition onset and length highlight the limits of training on flat-plate data alone.
- Abstract（参考訳）: 層乱流遷移は, ターボ機械の摩擦, 熱伝達, 損失を制御しているが, レイノルズ平均ナヴィエ・ストークス(RANS)遷移モデルは, 構造的欠陥が再校正によって解決できない, 経験的相関と手動校正活性化関数に依存している。
本稿では,Galilean-invariant $k$-$ω$-$γ$ model of Ge et al,各補正が局所圧力勾配パラメータの多項式を結合し,振幅と符号を制御し,局所フロー特徴の有界指数関数と空間的サポートを制御するCFD-driven sparse symbolic regression frameworkを提案する。
この構成はアドホックリミッターなしで補正を行う。
ERCOFTAC T3平板ケースの壁分解大渦シミュレーション(LES)の平均速度データを用いて,POD-Krigingフィールドサロゲートにより加速されたRANSソルバのループにおける勾配のない最適化により係数を同定した。
弾性ネットハイパーパラメータは2レベル最適化によって自動的に選択される。
得られたモデルは21の候補語のうち11を保ち、従来のグリッド検索のチューニングでは20に対して、トレーニングや見当たらないケースでは同等またはわずかに精度が向上する。
どちらのアプローチも、同じ事前順序補正を回復する。
超音速LS89タービンカスケードに再訓練することなく、トレーニングエンベロープをはるかに超え、拡張モデルは数値的に頑健であり、4つの動作点すべてで熱伝達予測を改善し、ベースラインが高速な自由流乱流下での早期遷移を予測する場合の誤差を最大70%削減する。
トランジションのオンセットと長さの残差は、フラットプレートデータのみのトレーニングの限界を浮き彫りにする。
関連論文リスト
- 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) - Structured Neural SDEs for Functional Calibration [1.2107297090229683]
構造化線形層から構築されたニューラルSDEモデルのファミリーであるSLiSDEを紹介する。
層レベルでパラレル・イン・タイム・シミュレーションを行い, ゲート・イン・フロー・スタックリングにより表現性を回復する。
機能キャリブレーションベンチマークの実験では、構造化されたモデルは完全な神経性SDEベースラインよりも優れていた。
論文 参考訳（メタデータ） (2026-09-28T10:25:03Z) - Reduced Cartesian Kinetostatics for Tendon-Driven Continuum Robots: Residual-Stabilized Full-Shape Propagation [19.333315563300918]
腱駆動連続体ロボット(TDCR)の多くの計画および制御タスクは、完全なカルテシアンバックボーン形状を必要とする。
本稿では, 所定の腱力および腱変位軌跡に沿って平衡を伝播するTDCRに対するカルテシアンフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-24T15:17:32Z) - Accelerating Diffusion Transformers with Gaussian Process Rectified Feature Cache [17.39547918764814]
拡散変換器は、生成AIにおいて支配的なパラダイムとなっているが、その高い計算コストはリアルタイム応用を妨げる。
予測に基づく特徴キャッシングは拡散変圧器の高速化に広く用いられているが、ステップ数が増えるにつれて、その予測と参照完全軌道の偏差は徐々に増大する。
直感的なアイデアは、オンライン回帰モデルを使ってこの偏差を動的に補正することだが、加速プロセス中にラベルデータが利用できないという問題に直面している。
本稿では,キャッシュ手法と参照フルコンプットトラジェクトリによる全計算ステップの特徴間の残差が局所的に現れるという統計的観察を提案する。
論文 参考訳（メタデータ） (2026-09-05T08:54:54Z) - Response Renormalization for Critical Deep Equilibrium Models [0.0]
暗黙の微分による訓練は、残留ヤコビアンから構築された随伴系を解く必要がある。
本稿では,非持ち上げ応答チャネルをそのまま残しながら,選択したニアポールディノミネータを持ち上げるバックワードパスフレームワークであるResponse Renormalizationを導入する。
我々は、密度と行列のない集合的定式化を導き、改良された凍結アンカー残基と後方応答サロゲートとの正確な勾配を区別し、構造的インプリシット層とベクトルトラクターに構造を拡張した。
論文 参考訳（メタデータ） (2026-08-24T18:10:30Z) - LC-GRPO: Bridging Train-Inference Gap for Flow-Based GRPO with Langevin Correction [59.32834240526981]
フローベース生成モデルは典型的には、決定論的常微分方程式(ODE)を解くことによってサンプリングされる
既存の流れモデルのためのGRPO法は、訓練中にオイラー時間ODEを非等方微分方程式(SDE)に置き換える。
本稿では,フローベースGRPOフレームワークであるLC-GRPOを紹介する。
論文 参考訳（メタデータ） (2026-08-06T04:47:57Z) - Stability Annealing Selects the Implicit Bias of Smoothed Sign Descent: A Rate-Indexed Barrier Path on Separable Data [3.7437735326653883]
本稿では,分離可能なデータに対する完全バッチ線形分類における速度制御中間事例について検討する。
指数損失を重み付けしたメモリレス安定アニール型スムーズドサイン降下に対して, 正規化繰り返しは, 凸バーグ型バリアの最小化に収束することが証明された。
論文 参考訳（メタデータ） (2026-07-07T08:55:35Z) - Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification [47.720075875232226]
我々は,PCAに基づく次元還元と固定ランダム特徴を組み合わせたニューラル演算子であるPCA-RaNNを紹介する。
演算子学習を固定回帰として再キャストし、遅延回帰を3桁まで削減する。
論文 参考訳（メタデータ） (2026-06-28T15:02:26Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - TC-Padé: Trajectory-Consistent Padé Approximation for Diffusion Acceleration [46.613183870351584]
Tray-Consistent Padé近似はテイラー法よりも正確に遷移挙動を捉える。
TC-PadéはFLUX.1-devで2.88倍、Wan2.1で1.72倍、FID、Aesthetic CLIP、V-2.0で高い品質を維持している。
論文 参考訳（メタデータ） (2026-03-03T12:50:26Z) - 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)
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。