Buchumschlag

Single-snapshot machine learning for super-resolution of turbulence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fukami, Kai, Taira, Kunihiko
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Fluid Dynamics Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data-driven nonlinear turbulent flow scaling with Buckingham Pi variables
von: Fukami, Kai, et al.
Veröffentlicht: (2024)

Information-theoretic machine learning for time-varying mode decomposition of separated aerodynamic flows
von: Fukami, Kai, et al.
Veröffentlicht: (2025)

Machine learning in fluid dynamics: A critical assessment
von: Taira, Kunihiko, et al.
Veröffentlicht: (2025)

Hierarchy of extreme-event predictability in turbulence revealed by machine learning
von: Yang, Yuxuan, et al.
Veröffentlicht: (2026)

Data-driven transient lift attenuation for extreme vortex gust-airfoil interactions
von: Fukami, Kai, et al.
Veröffentlicht: (2024)

Data-driven time-dependent bases for turbulent airfoil wake-extreme vortex gust interactions
von: Ashtiani, Shaghayegh Zamani, et al.
Veröffentlicht: (2025)

Compact representation of transonic airfoil buffet flows with observable-augmented machine learning
von: Fukami, Kai, et al.
Veröffentlicht: (2025)

A cyclic perspective on transient gust encounters through the lens of persistent homology
von: Smith, Luke, et al.
Veröffentlicht: (2023)

Convolutional causal learning for aerodynamic flows
von: Koshikawa, Ryo, et al.
Veröffentlicht: (2026)

Data-driven sparse modeling and decomposition for superspreading-wetting dynamics of a droplet
von: Fukami, Kai, et al.
Veröffentlicht: (2026)

Extreme Aerodynamics: A Data-Driven Perspective
von: Taira, Kunihiko
Veröffentlicht: (2025)

A note on the error analysis of data-driven closure models for large eddy simulations of turbulence
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2024)

Compressing fluid flows with nonlinear machine learning: mode decomposition, latent modeling, and flow control
von: Fukagata, Koji, et al.
Veröffentlicht: (2025)

Vortical similarities across laminar and turbulent extreme gust encounters
von: Odaka, Hiroto, et al.
Veröffentlicht: (2026)

Inferring turbulent velocity and temperature fields and their statistics from Lagrangian velocity measurements using physics-informed Kolmogorov-Arnold Networks
von: Toscano, Juan Diego, et al.
Veröffentlicht: (2024)

Data-driven oscillator model for multi-frequency turbulent flows
von: Kim, Youngjae, et al.
Veröffentlicht: (2026)

Multi-resolution Physics-Aware Recurrent Convolutional Neural Network for Complex Flows
von: Cheng, Xinlun, et al.
Veröffentlicht: (2025)

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

Reinforcement learning for anisotropic p-adaptation and error estimation in high-order solvers
von: Huergo, David, et al.
Veröffentlicht: (2024)

Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning
von: Lu, Minglei, et al.
Veröffentlicht: (2024)

From large-eddy simulations to deep learning: A U-net model for fast urban canopy flow predictions
von: Vargiemezis, Themistoklis, et al.
Veröffentlicht: (2025)

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

Adjoint-based online learning of two-layer quasi-geostrophic baroclinic turbulence
von: Yan, Fei Er, et al.
Veröffentlicht: (2024)

Assessment of machine learning methods for state-to-state approaches
von: Campoli, Lorenzo, et al.
Veröffentlicht: (2021)

Improving CFD simulations by local machine-learned correction
von: Mitra, Peetak, et al.
Veröffentlicht: (2023)

Benchmarking machine learning models for predicting aerofoil performance
von: Summerell, Oliver, et al.
Veröffentlicht: (2025)

Application of machine learning algorithm in temperature field reconstruction
von: He, Qianyu, et al.
Veröffentlicht: (2025)

The effect of Reynolds number on the separated flow over a low-aspect-ratio wing
von: Smith, Luke, et al.
Veröffentlicht: (2024)

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

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

A Physics-informed machine learning model for time-dependent wave runup prediction
von: Naeini, Saeed Saviz, et al.
Veröffentlicht: (2024)

Neural-ISAM: A hybrid in-situ machine learning approach for complex manifold-based combustion models in LES of turbulent flames
von: Fush, S. Trevor, et al.
Veröffentlicht: (2026)

Reconstructing three-dimensional bluff body wake from sectional flow fields with convolutional neural networks
von: Matsuo, Mitsuaki, et al.
Veröffentlicht: (2021)

Phase-based analysis and control of supersonic turbulent cavity flows
von: Godavarthi, Vedasri, et al.
Veröffentlicht: (2025)

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

oRANS: Online optimisation of RANS machine learning models with embedded DNS data generation
von: Dehtyriov, Daniel, et al.
Veröffentlicht: (2025)

Influence of adversarial training on super-resolution turbulence reconstruction
von: Nista, Ludovico, et al.
Veröffentlicht: (2023)

Physics-enhanced Neural Operator for Simulating Turbulent Transport
von: Chen, Shengyu, et al.
Veröffentlicht: (2024)

Generative Learning for Forecasting the Dynamics of Complex Systems
von: Gao, Han, et al.
Veröffentlicht: (2024)

A Novel Paradigm in Solving Multiscale Problems
von: Wang, Jing, et al.
Veröffentlicht: (2024)