Buchumschlag

Solving Euler equations with Multiple Discontinuities via Separation-Transfer Physics-Informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Chuanxing, Luo, Hui, Wang, Kai, Zhu, Guohuai, Luo, Mingxing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Fluid Dynamics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hard Constraint Projection in a Physics Informed Neural Network
von: Horne, Miranda J. S., 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)

Coupled Integral PINN for Discontinuity
von: Wang, Yeping, et al.
Veröffentlicht: (2024)

Physics-Informed Chebyshev Polynomial Neural Operator for Parametric Partial Differential Equations
von: Chen, Biao, et al.
Veröffentlicht: (2026)

Multi-scale Dynamic Wake Modeling and Prediction of Floating Offshore Wind Turbines via Physics-Informed Neural Networks and Fourier Neural Operators
von: Dong, Guodan, et al.
Veröffentlicht: (2026)

Impact of Loss Weight and Model Complexity on Physics-Informed Neural Networks for Computational Fluid Dynamics
von: Chou, Yi En, et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Network Surrogates for Turbulent Nanoparticle Dispersion in Dental Clinical Environments
von: Shende, Takshak, et al.
Veröffentlicht: (2026)

Challenges and Advancements in Modeling Shock Fronts with Physics-Informed Neural Networks: A Review and Benchmarking Study
von: Abbasi, Jassem, et al.
Veröffentlicht: (2025)

Bayesian Reasoning for Physics Informed Neural Networks
von: Graczyk, Krzysztof M., et al.
Veröffentlicht: (2023)

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)

Discontinuity Computing using Physics-Informed Neural Network
von: Liu, Li, et al.
Veröffentlicht: (2022)

Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer
von: Nooraiepour, Mohammad
Veröffentlicht: (2026)

NeuralFoil: An Airfoil Aerodynamics Analysis Tool Using Physics-Informed Machine Learning
von: Sharpe, Peter, et al.
Veröffentlicht: (2025)

Solving Turbulent Rayleigh-Bénard Convection using Fourier Neural Operators
von: Straat, Michiel, et al.
Veröffentlicht: (2025)

MeshMask: Physics-Based Simulations with Masked Graph Neural Networks
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Multiscale Physics-Informed Neural Network for Complex Fluid Flows with Long-Range Dependencies
von: Kumar, Prashant, 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)

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

PINNfluence: Influence Functions for Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2024)

A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems
von: Menicali, Luca, et al.
Veröffentlicht: (2025)

WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks
von: Walter, Linus, et al.
Veröffentlicht: (2025)

SIMR-NO: A Spectrally-Informed Multi-Resolution Neural Operator for Turbulent Flow Super-Resolution
von: Abid, Muhammad, et al.
Veröffentlicht: (2026)

Preconditioned FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems
von: Griese, Franziska, et al.
Veröffentlicht: (2024)

LGFNet: Local-Global Fusion Network with Fidelity Gap Delta Learning for Multi-Source Aerodynamics
von: Zhu, Qinye, et al.
Veröffentlicht: (2026)

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

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

Resolving Sharp Gradients of Unstable Singularities to Machine Precision via Neural Networks
von: Wang, Yongji, et al.
Veröffentlicht: (2025)

Harnessing Equivariance: Modeling Turbulence with Graph Neural Networks
von: Kurz, Marius, et al.
Veröffentlicht: (2025)

Multi-level datasets training method in Physics-Informed Neural Networks
von: Tsai, Yao-Hsuan, et al.
Veröffentlicht: (2025)

Geometric and Physical Constraints Synergistically Enhance Neural PDE Surrogates
von: Huang, Yunfei, et al.
Veröffentlicht: (2025)

Solving nonlinear subsonic compressible flow in infinite domain via multi-stage neural networks
von: Qian, Xuehui, et al.
Veröffentlicht: (2026)

FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models
von: Raut, Riddhiman, et al.
Veröffentlicht: (2025)

Periodicity-Enforced Neural Network for Designing Deterministic Lateral Displacement Devices
von: Lee, Andrew, et al.
Veröffentlicht: (2025)

Quantifying Out-of-Training Uncertainty of Neural-Network based Turbulence Closures
von: Grogan, Cody, et al.
Veröffentlicht: (2025)

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

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

Data-Driven Physics-Informed Neural Networks: A Digital Twin Perspective
von: Yang, Sunwoong, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Parametric Compressible Euler Equations
von: Wassing, Simon, et al.
Veröffentlicht: (2023)

Invariant Control Strategies for Active Flow Control using Graph Neural Networks
von: Kurz, Marius, et al.
Veröffentlicht: (2025)

Addressing A Posteriori Performance Degradation in Neural Network Subgrid Stress Models
von: Wu, Andy, et al.
Veröffentlicht: (2025)