Buchumschlag

Deep Operator Learning for High-Fidelity Fluid Flow Field Reconstruction from Sparse Sensor Measurements

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dang, Hiep Vo, Nguyen, Phong C. H.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Fluid Dynamics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FLRNet: A Deep Learning Method for Regressive Reconstruction of Flow Field From Limited Sensor Measurements
von: Nguyen, Phong C. H., et al.
Veröffentlicht: (2024)

BLISSNet: Deep Operator Learning for Fast and Accurate Flow Reconstruction from Sparse Sensor Measurements
von: Veremchuk, Maksym, et al.
Veröffentlicht: (2026)

Fluids You Can Trust: Property-Preserving Operator Learning for Incompressible Flows
von: Sharma, Ramansh, et al.
Veröffentlicht: (2026)

Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements
von: Mousavi, Hanieh, et al.
Veröffentlicht: (2025)

Spectrally Informed Learning of Fluid Flows
von: Shaffer, Benjamin D., et al.
Veröffentlicht: (2024)

Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems
von: Ma, Sicheng, et al.
Veröffentlicht: (2026)

HiLiftAeroML: High-Fidelity Computational Fluid Dynamics Dataset for High-Lift Aircraft Aerodynamics
von: Ashton, Neil, et al.
Veröffentlicht: (2026)

Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization
von: Xiao, Renjie, et al.
Veröffentlicht: (2026)

Optimal Parallelization Strategies for Active Flow Control in Deep Reinforcement Learning-Based Computational Fluid Dynamics
von: Jia, Wang, et al.
Veröffentlicht: (2024)

Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks
von: McDugald, Edward, et al.
Veröffentlicht: (2024)

Inpainting Computational Fluid Dynamics with Deep Learning
von: Shu, Dule, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Network Approaches for Sparse Data Flow Reconstruction of Unsteady Flow Around Complex Geometries
von: Malineni, Vamsi Sai Krishna, et al.
Veröffentlicht: (2025)

Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction
von: Oommen, Vivek, et al.
Veröffentlicht: (2025)

Dynamic Feature-based Deep Reinforcement Learning for Flow Control of Circular Cylinder with Sparse Surface Pressure Sensing
von: Wang, Qiulei, et al.
Veröffentlicht: (2023)

Uncertainty-Aware Flow Field Reconstruction Using SVGP Kolmogorov-Arnold Networks
von: Ju, Y. Sungtaek
Veröffentlicht: (2025)

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

DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction
von: Ma, Qilong, et al.
Veröffentlicht: (2024)

Shock-Aware Physics-Guided Fusion-DeepONet Operator for Rarefied Micro-Nozzle Flows
von: Roohi, Ehsan, et al.
Veröffentlicht: (2025)

A Two-Phase Deep Learning Framework for Adaptive Time-Stepping in High-Speed Flow Modeling
von: Helwig, Jacob, et al.
Veröffentlicht: (2025)

FlowPrecision: Advancing FPGA-Based Real-Time Fluid Flow Estimation with Linear Quantization
von: Ling, Tianheng, et al.
Veröffentlicht: (2024)

LatentFlow: Cross-Frequency Experimental Flow Reconstruction from Sparse Pressure via Latent Mapping
von: Liu, Junle, et al.
Veröffentlicht: (2025)

Fusion-DeepONet: A Data-Efficient Neural Operator for Geometry-Dependent Hypersonic and Supersonic Flows
von: Peyvan, Ahmad, et al.
Veröffentlicht: (2025)

An ALE-Consistent Graph Neural Operator-Transformer Framework for Fluid-Structure Interaction
von: Zhao, Shihang, et al.
Veröffentlicht: (2026)

DiffFluid: Plain Diffusion Models are Effective Predictors of Flow Dynamics
von: Luo, Dongyu, et al.
Veröffentlicht: (2024)

The compressible Neural Particle Method for Simulating Compressible Viscous Fluid Flows
von: Shibukawa, Masato, et al.
Veröffentlicht: (2025)

LAViG-FLOW: Latent Autoregressive Video Generation for Fluid Flow Simulations
von: De Pellegrini, Vittoria, et al.
Veröffentlicht: (2026)

LinguaFluid: Language Guided Fluid Control via Semantic Rewards in Reinforcement Learning
von: Liang, Aoming, et al.
Veröffentlicht: (2025)

Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction
von: Wang, Shaofan, et al.
Veröffentlicht: (2025)

Towards Active Flow Control Strategies Through Deep Reinforcement Learning
von: Montalà, Ricard, et al.
Veröffentlicht: (2024)

Graph Deep Learning for Intracranial Aneurysm Blood Flow Simulation and Risk Assessment
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning
von: Liu, Xuemin, et al.
Veröffentlicht: (2025)

WindsorML: High-Fidelity Computational Fluid Dynamics Dataset For Automotive Aerodynamics
von: Ashton, Neil, et al.
Veröffentlicht: (2024)

A review on Deep Reinforcement Learning for Fluid Mechanics
von: Garnier, Paul, et al.
Veröffentlicht: (2019)

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

MENO: MeanFlow-Enhanced Neural Operators for Dynamical Systems
von: Yang, Tianyue, et al.
Veröffentlicht: (2026)

Project and Generate: Divergence-Free Neural Operators for Incompressible Flows
von: Li, Xigui, et al.
Veröffentlicht: (2026)

A Physics-Augmented GraphGPS Framework for the Reconstruction of 3D Riemann Problems from Sparse Data
von: Cassia, Rami, et al.
Veröffentlicht: (2025)

Deep Learning-based Algebraic Reynolds Stress Closures for RANS Simulations of Turbulent Flows
von: Dehtyriov, Daniel, et al.
Veröffentlicht: (2026)

Cross-Field Interface-Aware Neural Operators for Multiphase Flow Simulation
von: Wang, Zhenzhong, et al.
Veröffentlicht: (2025)

Active Control of Flow over Rotating Cylinder by Multiple Jets using Deep Reinforcement Learning
von: Dobakhti, Kamyar, et al.
Veröffentlicht: (2023)