Buchumschlag

Learning with Physical Constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mendez, Miguel A., Berghe, Jan van Den, Ratz, Manuel, Fiore, Matilde, Schena, Lorenzo
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

A meshless and binless approach to compute statistics in 3D Ensemble PTV
von: Ratz, Manuel, et al.
Veröffentlicht: (2024)

A meshless data-tailored approach to compute statistics from scattered data with adaptive radial basis functions
von: Rigutto, Damien, et al.
Veröffentlicht: (2025)

Statistical Methods and Modal Decompositions for Gridded and Scattered Data: Meshless Statistics and Meshless Data Driven Modal Analysis
von: Mendez, Miguel A., et al.
Veröffentlicht: (2025)

Meshless data-driven decompositions with RBF-based inner products
von: Ratz, Manuel, et al.
Veröffentlicht: (2025)

On the choking mechanism in supersonic ejectors: a one-dimensional analysis of Reynolds-Averaged Navier Stokes simulations
von: Berghe, Jan Van den, et al.
Veröffentlicht: (2025)

An extension of the compound flow theory with friction between the streams and at the wall
von: Berghe, Jan Van den, et al.
Veröffentlicht: (2024)

Challenges and Opportunities for Machine Learning in Fluid Mechanics
von: Mendez, M. A., et al.
Veröffentlicht: (2022)

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

Hard Constraint Projection in a Physics Informed Neural Network
von: Horne, Miranda J. S., et al.
Veröffentlicht: (2026)

Data-Driven Computing Methods for Nonlinear Physics Systems with Geometric Constraints
von: Tong, Yunjin
Veröffentlicht: (2024)

A Fast Spectral Formulation of the Multiscale Proper Orthogonal Decomposition
von: Belda, Marek, et al.
Veröffentlicht: (2026)

Data-driven turbulent heat flux modeling with inputs of multiple fidelity
von: Fiore, Matilde, et al.
Veröffentlicht: (2024)

A 1D Model for the Unsteady Gas Dynamics of Ejectors
von: Berghe, Jan Van den, et al.
Veröffentlicht: (2022)

The Well: a Large-Scale Collection of Diverse Physics Simulations for Machine Learning
von: Ohana, Ruben, et al.
Veröffentlicht: (2024)

Nonlinear System Identification for Model-Based Control of Waked Wind Turbines
von: Randino, Sebastiano, et al.
Veröffentlicht: (2025)

Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models
von: Chu, Minghan, et al.
Veröffentlicht: (2025)

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

Assessment of machine learning methods for state-to-state approaches
von: Campoli, Lorenzo, et al.
Veröffentlicht: (2021)

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)

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

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

Physics-Based Machine Learning Closures and Wall Models for Hypersonic Transition-Continuum Boundary Layer Predictions
von: Nair, Ashish S., et al.
Veröffentlicht: (2025)

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

Learning Pore-scale Multiphase Flow from 4D Velocimetry
von: Wang, Chunyang, et al.
Veröffentlicht: (2026)

Physics-aligned Schrödinger bridge
von: Li, Zeyu, et al.
Veröffentlicht: (2024)

Neural ensemble Kalman filter: Data assimilation for compressible flows with shocks
von: Zhou, Xu-Hui, et al.
Veröffentlicht: (2026)

Finding the Underlying Viscoelastic Constitutive Equation via Universal Differential Equations and Differentiable Physics
von: Rodrigues, Elias C., et al.
Veröffentlicht: (2024)

Optimizing Metachronal Paddling with Reinforcement Learning at Low Reynolds Number
von: Bailey, Alana A., et al.
Veröffentlicht: (2025)

Harvesting energy from turbulent winds with Reinforcement Learning
von: Basile, Lorenzo, et al.
Veröffentlicht: (2024)

From Zero to Turbulence: Generative Modeling for 3D Flow Simulation
von: Lienen, Marten, et al.
Veröffentlicht: (2023)

OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics
von: Zhang, Rui, et al.
Veröffentlicht: (2025)

Physics-integrated neural differentiable modeling for immersed boundary systems
von: Li, Chenglin, et al.
Veröffentlicht: (2026)

Physics-informed deep-learning applications to experimental fluid mechanics
von: Eivazi, Hamidreza, et al.
Veröffentlicht: (2022)

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

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

Lost in Latent Space: An Empirical Study of Latent Diffusion Models for Physics Emulation
von: Rozet, François, et al.
Veröffentlicht: (2025)

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

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

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)