Buchumschlag

Multi-fidelity physics constrained neural networks for dynamical systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Hao, Cheng, Sibo, Arcucci, Rossella
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unsupervised simulation of incompressible flows with physics- and equality- constrained artificial neural networks
von: Hu, Qifeng, et al.
Veröffentlicht: (2025)

Reconstructing unsteady flows from sparse, noisy measurements with a physics-constrained convolutional neural network
von: Mo, Yaxin, et al.
Veröffentlicht: (2024)

Multi-fidelity graph-based neural networks architectures to learn Navier-Stokes solutions on non-parametrized 2D domains
von: Songia, Francesco, et al.
Veröffentlicht: (2026)

Physics-constrained convolutional neural networks for inverse problems in spatiotemporal partial differential equations
von: Kelshaw, Daniel, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Multi-fidelity Simulations
von: Kumar, Swapnil
Veröffentlicht: (2025)

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

Distributed physics-informed neural networks via domain decomposition for fast flow reconstruction
von: Qian, Yixiao, et al.
Veröffentlicht: (2026)

Physics-constrained coupled neural differential equations for one dimensional blood flow modeling
von: Csala, Hunor, et al.
Veröffentlicht: (2024)

Multi-fidelity aerodynamic data fusion by autoencoder transfer learning
von: Nieto-Centenero, Javier, et al.
Veröffentlicht: (2025)

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

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

Data assimilation and parameter identification for water waves using the nonlinear Schrödinger equation and physics-informed neural networks
von: Ehlers, Svenja, et al.
Veröffentlicht: (2024)

Mean flow data assimilation using physics-constrained Graph Neural Networks
von: Quattromini, M., et al.
Veröffentlicht: (2024)

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

A Kernel-based Resource-efficient Neural Surrogate for Multi-fidelity Prediction of Aerodynamic Field
von: Sarker, Apurba, et al.
Veröffentlicht: (2025)

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

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)

Fourier neural operators for spatiotemporal dynamics in two-dimensional turbulence
von: Atif, Mohammad, et al.
Veröffentlicht: (2024)

Spatially-Aware Diffusion Models with Cross-Attention for Global Field Reconstruction with Sparse Observations
von: Zhuang, Yilin, et al.
Veröffentlicht: (2024)

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

High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications
von: Burnett, Logan A., et al.
Veröffentlicht: (2026)

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

Modeling subgrid scale production rates on complex meshes using graph neural networks
von: Dash, Priyabrat, et al.
Veröffentlicht: (2026)

Super-resolution of turbulent reacting flows on complex meshes using graph neural networks
von: Dash, Priyabrat, et al.
Veröffentlicht: (2026)

Structure tensor Reynolds-averaged Navier-Stokes turbulence models with equivariant neural networks
von: Miller, Aaron, et al.
Veröffentlicht: (2025)

Analysis of accuracy and efficiency of neural networks to simulate Navier-Stokes fluid flows with obstacles
von: Hespanha, Rui, et al.
Veröffentlicht: (2025)

Physics-integrated neural differentiable modeling for immersed boundary systems
von: Li, Chenglin, et al.
Veröffentlicht: (2026)

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

Learning multi-phase flow and transport in fractured porous media with auto-regressive and recurrent graph neural networks
von: Kobaisi, Mohammed Al, et al.
Veröffentlicht: (2025)

Neural network-based Godunov corrections for approximate Riemann solvers using bi-fidelity learning
von: Thakur, Akshay, et al.
Veröffentlicht: (2025)

Differentiable Turbulence: Closure as a partial differential equation constrained optimization
von: Shankar, Varun, et al.
Veröffentlicht: (2023)

TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks
von: Chen, Qian, et al.
Veröffentlicht: (2025)

Physics-constrained DeepONet for Surrogate CFD models: a curved backward-facing step case
von: Jnini, Anas, et al.
Veröffentlicht: (2025)

Hard-constrained neural networks for modelling nonlinear acoustics
von: Ozan, Defne Ege, et al.
Veröffentlicht: (2023)

Flow reconstruction in time-varying geometries using graph neural networks
von: Danciu, Bogdan A., et al.
Veröffentlicht: (2024)

Gradient-free online learning of subgrid-scale dynamics with neural emulators
von: Frezat, Hugo, et al.
Veröffentlicht: (2023)

Slim multi-scale convolutional autoencoder-based reduced-order models for interpretable features of a complex dynamical system
von: Teutsch, Philipp, et al.
Veröffentlicht: (2025)

Physics-informed graph neural networks for flow field estimation in carotid arteries
von: Suk, Julian, et al.
Veröffentlicht: (2024)

Physics-informed neural networks for hidden boundary detection and flow field reconstruction
von: Zhu, Yongzheng, et al.
Veröffentlicht: (2025)

A Multi-fidelity Double-Delta Wing Dataset and Empirical Scaling Laws for GNN-based Aerodynamic Field Surrogate
von: Shen, Yiren, et al.
Veröffentlicht: (2025)