Buchumschlag

LC-SVD-DLinear: A low-cost physics-based hybrid machine learning model for data forecasting using sparse measurements

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hetherington, Ashton, Leonés, Javier López, Clainche, Soledad Le
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

A low cost singular value decomposition based data assimilation technique for analysis of heterogeneous combustion data
von: Pillai, Prajith, et al.
Veröffentlicht: (2025)

Hybrid machine learning models based on physical patterns to accelerate CFD simulations: a short guide on autoregressive models
von: Sengupta, Arindam, et al.
Veröffentlicht: (2025)

Reduced-order modeling of a viscoelastic turbulent jet with hybrid machine learning models
von: Amor, Christian, et al.
Veröffentlicht: (2026)

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

HOSVD-SR: A Physics-Based Deep Learning Framework for Super-Resolution in Fluid Dynamics
von: Barragán, Guillermo, et al.
Veröffentlicht: (2025)

MoTIF: A Mode-Structured Tensor Framework for Multi-Parametric Approximation, Super-Resolution and Forecasting of Unsteady Systems
von: Barragán, Guillermo, et al.
Veröffentlicht: (2025)

Data repairing and resolution enhancement using data-driven modal decomposition and deep learning
von: Hetherington, A., et al.
Veröffentlicht: (2024)

Generative artificial intelligence and hybrid models to accelerate LES in reactive flows: Application to hydrogen/methane combustion
von: Zou, Xiangrui, et al.
Veröffentlicht: (2025)

A unified view of elastic and elasto-inertial turbulence in channel flows at low and moderate Reynolds numbers
von: Rota, Giulio Foggi, et al.
Veröffentlicht: (2023)

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

Divergence-aware adaptive prediction framework for accelerating CFD simulations of unsteady flows
von: Zou, Xiangrui, et al.
Veröffentlicht: (2026)

Modeling heart flow dynamics using numerical simulations to identify the vortex ring: a practical guide
von: Lazpita, Eneko, et al.
Veröffentlicht: (2024)

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

Characterizing Intraventricular Flow Patterns via Modal Decomposition Techniques in Idealized Left Ventricle Models
von: Lazpita, Eneko, et al.
Veröffentlicht: (2025)

Predictability of weakly turbulent systems from spatially sparse observations using data assimilation and machine learning
von: Gupta, Vikrant, et al.
Veröffentlicht: (2024)

Efficient Reduced Order Modeling Based on HODMD to Predict Intraventricular Flow Dynamics
von: Lazpita, Eneko, et al.
Veröffentlicht: (2025)

The coherent structures of EVP Fluid Flow Past a Circular Cylinder
von: Corrochano, Adrián, et al.
Veröffentlicht: (2025)

Clustering the Flow: A Data-Driven Framework for Pattern Discovery in Fluid Dynamics
von: Martin, Juan Angel, et al.
Veröffentlicht: (2026)

Coherent structures in Newtonian and viscoelastic turbulent planar jets
von: Amor, Christian, et al.
Veröffentlicht: (2026)

Stochastic fluids with transport noise: Approximating diffusion from data using SVD and ensemble forecast back-propagation
von: Woodfield, James
Veröffentlicht: (2024)

Prediction of turbulent energy based on low-rank resolvent modes and machine learning
von: Fan, Yitong, et al.
Veröffentlicht: (2024)

Flow control by a hybrid use of machine learning and control theory
von: Ishize, Takeru, et al.
Veröffentlicht: (2023)

Machine-learned flow estimation with sparse data -- exemplified for the rooftop of a UAV vertiport
von: Hou, Chang, 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)

Prediction of turbulent channel flow using Fourier neural operator-based machine-learning strategy
von: Wang, Yunpeng, et al.
Veröffentlicht: (2024)

Classifying acoustic cavitation with machine learning trained on multiple physical models
von: Gatica, Trinidad, et al.
Veröffentlicht: (2024)

Statistical machine learning tools for probabilistic closures of turbulence models
von: Lemos, Julia Domingues, et al.
Veröffentlicht: (2025)

Spectral adjoint-based assimilation of sparse data in unsteady simulations of turbulent flows
von: Plogmann, Justin, et al.
Veröffentlicht: (2024)

Model fusion with physics-guided machine learning
von: Pawar, Suraj, et al.
Veröffentlicht: (2021)

Wind farm layout optimization using a novel machine learning approach
von: Anjiraki, Mehrshad Gholami, et al.
Veröffentlicht: (2025)

Experimental characterization of shock-separation interaction over wavy-shaped geometries through feature analysis
von: Braun, J., et al.
Veröffentlicht: (2024)

Defiltering turbulent flow fields for Lagrangian particle tracking using machine learning techniques
von: Oura, Tomoya, et al.
Veröffentlicht: (2024)

Mixed data-source transfer learning for a turbulence model augmented physics-informed neural network
von: Toma, Christian, et al.
Veröffentlicht: (2026)

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

Machine-learning-based simulation of turbulent flows over periodic hills using a hybrid U-Net and Fourier neural operator framework
von: Wang, Yunpeng, et al.
Veröffentlicht: (2025)

Predicting the dynamics of a gas pocket during breaking wave impacts using machine learning
von: Ezeta, Rodrigo, et al.
Veröffentlicht: (2025)

Data-driven modeling for flow reconstruction from sparse temperature measurements
von: Wang, Xicheng, et al.
Veröffentlicht: (2025)

Learning fluid physics from highly turbulent data using sparse physics-informed discovery of empirical relations (SPIDER)
von: Gurevich, Daniel R., et al.
Veröffentlicht: (2021)

Triple decomposition and sparse representation for noisy pressure-sensitive paint data
von: Kubota, Koyo, et al.
Veröffentlicht: (2024)

Enhancing generalizability of machine learning general effective-viscosity turbulence model via tensor basis normalization
von: Ji, Ziqi, et al.
Veröffentlicht: (2024)