Buchumschlag

Physics-informed deep-learning applications to experimental fluid mechanics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Eivazi, Hamidreza, Wang, Yuning, Vinuesa, Ricardo
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Fluid Dynamics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Explainable deep learning reveals the physical mechanisms behind the turbulent kinetic energy equation
von: Alcántara-Ávila, Francisco, et al.
Veröffentlicht: (2026)

Explainable deep reinforcement learning reveals energy-efficient control strategies for turbulent drag reduction
von: Tonti, Federica, et al.
Veröffentlicht: (2026)

Advanced deep-reinforcement-learning methods for flow control: group-invariant and positional-encoding networks improve learning speed and quality
von: Jeon, Joongoo, et al.
Veröffentlicht: (2024)

Multi-agent reinforcement learning for the control of three-dimensional Rayleigh-Bénard convection
von: Vasanth, Joel, et al.
Veröffentlicht: (2024)

Model-Agnostic AI Framework with Explicit Time Integration for Long-Term Fluid Dynamics Prediction
von: Yang, Sunwoong, et al.
Veröffentlicht: (2024)

Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks
von: Balasubramanian, Arivazhagan G., et al.
Veröffentlicht: (2024)

Shocks Under Control: Taming Transonic Compressible Flow over an RAE2822 Airfoil with Deep Reinforcement Learning
von: Mondal, Trishit, et al.
Veröffentlicht: (2025)

Physics-guided surrogate learning enables zero-shot control of turbulent wings
von: Wang, Yuning, et al.
Veröffentlicht: (2026)

Timescale Separation Enables Deep Reinforcement Learning Control of Rotating Detonation Engine Mode Transitions
von: Holme, Kristian, et al.
Veröffentlicht: (2026)

Method of data forward generation with partial differential equations for machine learning modeling in fluid mechanics
von: Chen, Ruilin
Veröffentlicht: (2025)

XRePIT: A deep learning-computational fluid dynamics hybrid framework implemented in OpenFOAM for fast, robust, and scalable unsteady simulations
von: Baral, Shilaj, et al.
Veröffentlicht: (2025)

Prospects of federated machine learning in fluid dynamics
von: San, Omer, et al.
Veröffentlicht: (2022)

Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction
von: Yang, Sunwoong, et al.
Veröffentlicht: (2024)

Improving turbulence control through explainable deep learning
von: Beneitez, Miguel, et al.
Veröffentlicht: (2025)

On the locality of local neural operator in learning fluid dynamics
von: Ye, Ximeng, et al.
Veröffentlicht: (2023)

Equation identification for fluid flows via physics-informed neural networks
von: New, Alexander, et al.
Veröffentlicht: (2024)

Policy-DRIFT: Dynamic Reward-Informed Flow Trajectory Steering
von: Mahajan, Atharva, et al.
Veröffentlicht: (2026)

Interpreting and generalizing deep learning in physics-based problems with functional linear models
von: Arzani, Amirhossein, et al.
Veröffentlicht: (2023)

Filtered Partial Differential Equations: a robust surrogate constraint in physics-informed deep learning framework
von: Zhang, Dashan, et al.
Veröffentlicht: (2023)

Opposition control applied to turbulent wings
von: Wang, Yuning, et al.
Veröffentlicht: (2024)

Inpainting physics: self-supervised learning for context-driven fluid simulation
von: Weidner, Jonas, et al.
Veröffentlicht: (2026)

Physics-informed neural networks modeling for systems with moving immersed boundaries: application to an unsteady flow past a plunging foil
von: Sundar, Rahul, et al.
Veröffentlicht: (2023)

Physics-informed KAN PointNet: Deep learning for simultaneous solutions to inverse problems in incompressible flow on numerous irregular geometries
von: Kashefi, Ali, et al.
Veröffentlicht: (2025)

Streamwise energy-transfer mechanisms in zero- and adverse-pressure-gradient turbulent boundary layers
von: Deshpande, Rahul, et al.
Veröffentlicht: (2024)

RoseNNa: A performant, portable library for neural network inference with application to computational fluid dynamics
von: Bati, Ajay, et al.
Veröffentlicht: (2023)

X-CAL: Explaining latent causality in physical space for fluid mechanics
von: Sanchis-Agudo, Marcial, et al.
Veröffentlicht: (2026)

Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets
von: Khanal, Sangam, et al.
Veröffentlicht: (2025)

Generalization capabilities and robustness of hybrid models grounded in physics compared to purely deep learning models
von: Abadía-Heredia, Rodrigo, et al.
Veröffentlicht: (2024)

Separation control applied to the turbulent flow around a NACA4412 wing section
von: Wang, Yuning, et al.
Veröffentlicht: (2025)

A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations
von: Nidhan, Sheel, et al.
Veröffentlicht: (2024)

Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge
von: Schmidt, Oliver T., et al.
Veröffentlicht: (2026)

Improving aircraft performance using machine learning: a review
von: Clainche, Soledad Le, et al.
Veröffentlicht: (2022)

Active flow control of a turbulent separation bubble through deep reinforcement learning
von: Font, Bernat, et al.
Veröffentlicht: (2024)

Predicting fluid-structure interaction with graph neural networks
von: Gao, Rui, et al.
Veröffentlicht: (2022)

Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes
von: Sedykh, Alexandr, et al.
Veröffentlicht: (2023)

SmartFlow: A CFD-solver-agnostic deep reinforcement learning framework for computational fluid dynamics on HPC platforms
von: Xiao, Maochao, et al.
Veröffentlicht: (2025)

RheOFormer: A generative transformer model for simulation of complex fluids and flows
von: Saberi, Maedeh, et al.
Veröffentlicht: (2025)

Accelerating Bayesian inverse design in computational fluid dynamics using neural operators
von: Tiwari, Bipin, et al.
Veröffentlicht: (2026)

Reduced-order modeling of unsteady fluid flow using neural network ensembles
von: Halder, Rakesh, et al.
Veröffentlicht: (2024)

Assessment of non-intrusive sensing in wall-bounded turbulence through explainable deep learning
von: Cremades, A., et al.
Veröffentlicht: (2025)