Buchumschlag

Simulating Three-dimensional Turbulence with Physics-informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Sifan, Sankaran, Shyam, Fan, Xiantao, Stinis, Panos, Perdikaris, Paris
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computational Physics Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ArGEnT: Arbitrary Geometry-encoded Transformer for Operator Learning
von: Chen, Wenqian, et al.
Veröffentlicht: (2026)

Small Models, Strong Priors: Architectural Inductive Bias for Parameter-Efficient Neural PDE Solvers
von: Sankaran, Shyam, et al.
Veröffentlicht: (2026)

Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence
von: Mukhopadhyay, Payel, et al.
Veröffentlicht: (2026)

Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows
von: Zhao, Zelin, et al.
Veröffentlicht: (2025)

Gradient Alignment in Physics-informed Neural Networks: A Second-Order Optimization Perspective
von: Wang, Sifan, et al.
Veröffentlicht: (2025)

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

Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling
von: Oommen, Vivek, et al.
Veröffentlicht: (2024)

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

Turb-L1: Achieving Long-term Turbulence Tracing By Tackling Spectral Bias
von: Wu, Hao, et al.
Veröffentlicht: (2025)

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

CoNFiLD-inlet: Synthetic Turbulence Inflow Using Generative Latent Diffusion Models with Neural Fields
von: Liu, Xin-Yang, et al.
Veröffentlicht: (2024)

Multiscale Physics-Informed Neural Network for Complex Fluid Flows with Long-Range Dependencies
von: Kumar, Prashant, et al.
Veröffentlicht: (2026)

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

Learnable-Differentiable Finite Volume Solver for Accelerated Simulation of Flows
von: Yan, Mengtao, et al.
Veröffentlicht: (2025)

Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin
von: Raut, Riddhiman, et al.
Veröffentlicht: (2025)

Shape Invariant 3D-Variational Autoencoder: Super Resolution in Turbulence flow
von: Maurya, Anuraj
Veröffentlicht: (2025)

PT-PINNs: A Parametric Engineering Turbulence Solver based on Physics-Informed Neural Networks
von: Jiang, Liang, et al.
Veröffentlicht: (2025)

Neural Physics: Using AI Libraries to Develop Physics-Based Solvers for Incompressible Computational Fluid Dynamics
von: Chen, Boyang, et al.
Veröffentlicht: (2024)

OGF: An Online Gradient Flow Method for Optimizing the Statistical Steady-State Time Averages of Unsteady Turbulent Flows
von: Hickling, Tom, et al.
Veröffentlicht: (2025)

Universal Physics Transformers: A Framework For Efficiently Scaling Neural Operators
von: Alkin, Benedikt, et al.
Veröffentlicht: (2024)

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

Neural Differentiable Modeling with Diffusion-Based Super-resolution for Two-Dimensional Spatiotemporal Turbulence
von: Fan, Xiantao, et al.
Veröffentlicht: (2024)

EddyFormer: Accelerated Neural Simulations of Three-Dimensional Turbulence at Scale
von: Du, Yiheng, et al.
Veröffentlicht: (2025)

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

Finite-difference-informed graph network for solving steady-state incompressible flows on block-structured grids
von: Zou, Yiye, et al.
Veröffentlicht: (2024)

DSO: Dual-Scale Neural Operators for Stable Long-term Fluid Dynamics Forecasting
von: Dong, Huanshuo, et al.
Veröffentlicht: (2026)

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

Mixing Artificial and Natural Intelligence: From Statistical Mechanics to AI and Back to Turbulence
von: Chertkov, Michael
Veröffentlicht: (2024)

Harnessing Equivariance: Modeling Turbulence with Graph Neural Networks
von: Kurz, Marius, 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)

Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology
von: Xu, Qingsong, et al.
Veröffentlicht: (2023)

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

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

Physics-Informed Neural Networks for Enhanced Interface Preservation in Lattice Boltzmann Multiphase Simulations
von: Li, Yue, et al.
Veröffentlicht: (2025)

Physics-informed State-space Neural Networks for Transport Phenomena
von: Dave, Akshay J., et al.
Veröffentlicht: (2023)

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

Conditional neural field for spatial dimension reduction of turbulence data: a comparison study
von: Guo, Junyi, et al.
Veröffentlicht: (2025)

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

Pixel-Resolved Long-Context Learning for Turbulence at Exascale: Resolving Small-scale Eddies Toward the Viscous Limit
von: Yin, Junqi, et al.
Veröffentlicht: (2025)

Physics-informed Shadowgraph Network: An End-to-end Density Field Reconstruction Method
von: Wang, Xutun, et al.
Veröffentlicht: (2024)