Buchumschlag

The Principle of Minimum Pressure Gradient: An Alternative Basis for Physics-Informed Learning of Incompressible Fluid Mechanics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Alhussein, Hussam, Daqaq, Mohammed
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Fluid Dynamics Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Reinforcement Learning in Action: Real-Time Control of Vortex-Induced Vibrations
von: Sababha, Hussam, et al.
Veröffentlicht: (2025)

Casting Computational Fluid Mechanics into a Convex Quadratic Optimization Framework
von: Sababha, Hussam, et al.
Veröffentlicht: (2025)

Neural Physics: Using AI Libraries to Develop Physics-Based Solvers for Incompressible Computational Fluid Dynamics
von: Chen, Boyang, et al.
Veröffentlicht: (2024)

Towards an AI Fluid Scientist: LLM-Powered Scientific Discovery in Experimental Fluid Mechanics
von: Feng, Haodong, et al.
Veröffentlicht: (2025)

A Variational Computational-based Framework for Unsteady Incompressible Flows
von: Sababha, H., et al.
Veröffentlicht: (2024)

On the Separating Flow Behind a Cylinder: Insights from the Principle of Minimum Pressure Gradient
von: Shorbagy, Mohamed, et al.
Veröffentlicht: (2025)

On the Mathematical Analysis and Physical Implications of the Principle of Minimum Pressure Gradient
von: Taha, Haithem
Veröffentlicht: (2026)

Multiscale Physics-Informed Neural Network for Complex Fluid Flows with Long-Range Dependencies
von: Kumar, Prashant, et al.
Veröffentlicht: (2026)

Physics-informed Fourier Basis Neural Network for Fluid Mechanics
von: Wang, Chao, et al.
Veröffentlicht: (2025)

A feasibility study of passive ventilation via origami-driven stack effect
von: Zueter, Ahmad F., et al.
Veröffentlicht: (2025)

AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents
von: Somasekharan, Nithin, et al.
Veröffentlicht: (2026)

Decoupled Divergence-Free Neural Networks Basis Method for Incompressible Fluid Problems
von: Cheng, Jinbao, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Networks for Enhanced Interface Preservation in Lattice Boltzmann Multiphase Simulations
von: Li, Yue, et al.
Veröffentlicht: (2025)

PT-PINNs: A Parametric Engineering Turbulence Solver based on Physics-Informed Neural Networks
von: Jiang, Liang, et al.
Veröffentlicht: (2025)

A Multimodal Vision Transformer-based Modeling Framework for Prediction of Fluid Flows in Energy Systems
von: Yalamanchi, Kiran, et al.
Veröffentlicht: (2026)

Cell-Constrained Particles for Incompressible Fluids
von: Levi, Zohar
Veröffentlicht: (2024)

Learning Distributions of Complex Fluid Simulations with Diffusion Graph Networks
von: Lino, Mario, et al.
Veröffentlicht: (2025)

HydroGym: A Reinforcement Learning Platform for Fluid Dynamics
von: Lagemann, Christian, et al.
Veröffentlicht: (2025)

Spatio-Temporal Fluid Dynamics Modeling via Physical-Awareness and Parameter Diffusion Guidance
von: Wu, Hao, et al.
Veröffentlicht: (2024)

A Gauge-Theoretic Action Principle for Viscous Incompressible Fluids
von: Nayak, Rashmi R.
Veröffentlicht: (2025)

NeuralFluid: Neural Fluidic System Design and Control with Differentiable Simulation
von: Li, Yifei, et al.
Veröffentlicht: (2024)

Data-Free PINNs for Compressible Flows: Mitigating Spectral Bias and Gradient Pathologies via Mach-Guided Scaling and Hybrid Convolutions
von: Yano, Ryosuke
Veröffentlicht: (2026)

Efficient Computation of Large-Scale Statistical Solutions to Incompressible Fluid Flows
von: Rohner, Tobias, et al.
Veröffentlicht: (2024)

PiRD: Physics-informed Residual Diffusion for Flow Field Reconstruction
von: Shan, Siming, et al.
Veröffentlicht: (2024)

Pi-fusion: Physics-informed diffusion model for learning fluid dynamics
von: Qiu, Jing, et al.
Veröffentlicht: (2024)

Physics-informed Shadowgraph Network: An End-to-end Density Field Reconstruction Method
von: Wang, Xutun, et al.
Veröffentlicht: (2024)

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

Surrogate models for Rock-Fluid Interaction: A Grid-Size-Invariant Approach
von: Pinheiro, Nathalie C., et al.
Veröffentlicht: (2026)

Data-Efficient Deep Operator Network for Unsteady Flow: A Multi-Fidelity Approach with Physics-Guided Subsampling
von: Yang, Sunwoong, et al.
Veröffentlicht: (2025)

DSO: Dual-Scale Neural Operators for Stable Long-term Fluid Dynamics Forecasting
von: Dong, Huanshuo, et al.
Veröffentlicht: (2026)

Fine-tuning a Large Language Model for Automating Computational Fluid Dynamics Simulations
von: Dong, Zhehao, et al.
Veröffentlicht: (2025)

Finite Volume Physical Informed Neural Network (FV-PINN) with Reduced Derivative Order for Incompressible Flows
von: Su, Zijie, et al.
Veröffentlicht: (2024)

Navigation in a Three-Dimensional Urban Flow using Deep Reinforcement Learning
von: Tonti, Federica, et al.
Veröffentlicht: (2025)

Sparse-Supervised Hybrid Parameterized Physics-Informed Neural Networks for Incompressible Flows Across Reynolds Numbers
von: Jangir, A., et al.
Veröffentlicht: (2026)

A Simple but Efficient Transformer-Based Physics-Informed Neural Network for Incompressible Navier--Stokes Equations
von: Barman, Biswanath, et al.
Veröffentlicht: (2026)

An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression
von: Bolívar, Laura Botero, et al.
Veröffentlicht: (2025)

FluidFlow: a flow-matching generative model for fluid dynamics surrogates on unstructured meshes
von: Ramos, David, et al.
Veröffentlicht: (2026)

Methodology for Online Estimation of Rheological Parameters in Polymer Melts Using Deep Learning and Microfluidics
von: Sandubete-López, Juan, et al.
Veröffentlicht: (2024)

High-lift Wing Separation Control via Bayesian Optimization and Deep Reinforcement Learning
von: Montalà, Ricard, et al.
Veröffentlicht: (2026)

An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning
von: Abadía-Heredia, Rodrigo, et al.
Veröffentlicht: (2025)