Buchumschlag

Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gao, Han, Kaltenbach, Sebastian, Koumoutsakos, Petros
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computational Physics Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Generative Learning of the Solution of Parametric Partial Differential Equations Using Guided Diffusion Models and Virtual Observations
von: Gao, Han, et al.
Veröffentlicht: (2024)

Optimal Lattice Boltzmann Closures through Multi-Agent Reinforcement Learning
von: Fischer, Paul, et al.
Veröffentlicht: (2025)

Contactless Precision Steering of Particles in a Fluid inside a Cube with Rotating Walls
von: Amoudruz, Lucas, et al.
Veröffentlicht: (2025)

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

CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid Dynamics
von: Luo, Yining, et al.
Veröffentlicht: (2023)

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

Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge
von: Schmidt, Oliver T., et al.
Veröffentlicht: (2026)

Jacobian-Scaled K-means Clustering for Physics-Informed Segmentation of Reacting Flows
von: Barwey, Shivam, et al.
Veröffentlicht: (2023)

Learning second-order TVD flux limiters using differentiable solvers
von: Huang, Chenyang, et al.
Veröffentlicht: (2025)

Prediction of Extreme Events in Multiscale Simulations of Geophysical Turbulence using Reinforcement Learning
von: Guan, Yifei, et al.
Veröffentlicht: (2026)

Investigation of Compressor Cascade Flow Using Physics- Informed Neural Networks with Adaptive Learning Strategy
von: Li, Zhihui, et al.
Veröffentlicht: (2023)

Uni-Flow: a unified autoregressive-diffusion model for complex multiscale flows
von: Xue, Xiao, et al.
Veröffentlicht: (2026)

Symplectic Neural Flows for Modeling and Discovery
von: Canizares, Priscilla, et al.
Veröffentlicht: (2024)

Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics
von: Kim, Hyo-Jin, et al.
Veröffentlicht: (2025)

FlowBench: A Large Scale Benchmark for Flow Simulation over Complex Geometries
von: Tali, Ronak, et al.
Veröffentlicht: (2024)

A Multi-Scale Boltzmann Equation for Complex Systems of Neutral Gases across All Flow Regimes
von: Liu, Sha, et al.
Veröffentlicht: (2024)

Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction
von: Yang, Sunwoong, et al.
Veröffentlicht: (2024)

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

Deep Learning of Solver-Aware Turbulence Closures from Nudged LES Dynamics
von: Suriyanarayanan, Ashwin, et al.
Veröffentlicht: (2026)

Closure Discovery for Coarse-Grained Partial Differential Equations Using Grid-based Reinforcement Learning
von: von Bassewitz, Jan-Philipp, et al.
Veröffentlicht: (2024)

Learned Coarse Models for Efficient Turbulence Simulation
von: Stachenfeld, Kimberly, et al.
Veröffentlicht: (2021)

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

Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics
von: Jekel, C. F., et al.
Veröffentlicht: (2024)

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

Control of Rayleigh-Bénard Convection: Effectiveness of Reinforcement Learning in the Turbulent Regime
von: Markmann, Thorben, et al.
Veröffentlicht: (2025)

Intelligent Optimization of Multi-Parameter Micromixers Using a Scientific Machine Learning Framework
von: Hassanzadeh, Meraj, et al.
Veröffentlicht: (2025)

Operator Learning for Surrogate Modeling of Wave-Induced Forces from Sea Surface Waves
von: Cai, Shukai, et al.
Veröffentlicht: (2026)

Hierarchical Multi-Fidelity Learning for Predicting Three-Dimensional Flame Wrinkling and Turbulent Burning Velocity
von: Zolfaghari, Saghar, et al.
Veröffentlicht: (2026)

Deconstructing Recurrence, Attention, and Gating: Investigating the transferability of Transformers and Gated Recurrent Neural Networks in forecasting of dynamical systems
von: Heidenreich, Hunter S., et al.
Veröffentlicht: (2024)

Differentiable Physics-Neural Models enable Learning of Non-Markovian Closures for Accelerated Coarse-Grained Physics Simulations
von: Xue, Tingkai, et al.
Veröffentlicht: (2025)

Improving the Robustness of Control of Chaotic Convective Flows with Domain-Informed Reinforcement Learning
von: Straat, Michiel, et al.
Veröffentlicht: (2025)

Deep Wave Network for Modeling Multi-Scale Physical Dynamics
von: Khrabry, Alexander I., et al.
Veröffentlicht: (2026)

Non-intrusive Learning of Physics-Informed Spatio-temporal Surrogate for Accelerating Design
von: Mondal, Sudeepta, et al.
Veröffentlicht: (2026)

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)

Predicting Flow Dynamics using Diffusion Models
von: Gachnang, Yannick, et al.
Veröffentlicht: (2025)

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

Mass Conservation on Rails -- Rethinking Physics-Informed Learning of Ice Flow Vector Fields
von: Bente, Kim, et al.
Veröffentlicht: (2025)

Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
von: Rabeh, Ali, et al.
Veröffentlicht: (2025)

DBSCAN in domains with periodic boundary conditions
von: de Wit, Xander M., et al.
Veröffentlicht: (2025)