Buchumschlag

Adaptive Sampling for Hydrodynamic Stability

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Singh, Anshima, Silvester, David J.
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

JAX-SPH: A Differentiable Smoothed Particle Hydrodynamics Framework
von: Toshev, Artur P., et al.
Veröffentlicht: (2024)

Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2026)

Deep Neural Networks with 3D Point Clouds for Empirical Friction Measurements in Hydrodynamic Flood Models
von: Haces-Garcia, Francisco, et al.
Veröffentlicht: (2024)

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

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

Hierarchic Flows to Estimate and Sample High-dimensional Probabilities
von: Lempereur, Etienne, et al.
Veröffentlicht: (2024)

Stabilizing the Maximal Entropy Moment Method for Rarefied Gas Dynamics at Single-Precision
von: Zheng, Candi, et al.
Veröffentlicht: (2023)

Interpretable Diagnostics and Adaptive Data Assimilation for Neural ODEs via Discrete Empirical Interpolation
von: Kim, Hojin, et al.
Veröffentlicht: (2025)

A Mesh-Adaptive Hypergraph Neural Network for Unsteady Flow Around Oscillating and Rotating Structures
von: Gao, Rui, et al.
Veröffentlicht: (2025)

Stabilization Analysis and Mode Recognition of Kerosene Supersonic Combustion: A Deep Learning Approach Based on Res-CNN-beta-VAE
von: Xu, Weiming, et al.
Veröffentlicht: (2025)

Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics
von: Kim, Hyo-Jin, 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)

Pre-Generating Multi-Difficulty PDE Data for Few-Shot Neural PDE Solvers
von: Choudhary, Naman, et al.
Veröffentlicht: (2025)

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

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

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

Predicting Ship Responses in Different Seaways using a Generalizable Force Correcting Machine Learning Method
von: Marlantes, Kyle E., et al.
Veröffentlicht: (2024)

Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework
von: Gonzalez-Sieiro, Jesus, et al.
Veröffentlicht: (2024)

Improving CFD simulations by local machine-learned correction
von: Mitra, Peetak, et al.
Veröffentlicht: (2023)

On the joint estimation of flow fields and particle properties from Lagrangian data
von: Zhou, Ke, et al.
Veröffentlicht: (2025)

Data-driven low-dimensional model of a sedimenting flexible fiber
von: Fox, Andrew J, et al.
Veröffentlicht: (2024)

Smart navigation of a gravity-driven glider with adjustable centre-of-mass
von: Jiang, X., et al.
Veröffentlicht: (2025)

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

Learning Temporally Consistent Turbulence Between Sparse Snapshots via Diffusion Models
von: Sardar, Mohammed, et al.
Veröffentlicht: (2025)

Vector-based loss functions for turbulent flow field inpainting
von: Baker, Samuel J., et al.
Veröffentlicht: (2025)

Mori-Zwanzig latent space Koopman closure for nonlinear autoencoder
von: Gupta, Priyam, et al.
Veröffentlicht: (2023)

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

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

An Adaptive Machine Learning Framework for Fluid Flow in Dual-Network Porous Media
von: Maduri, V. S., et al.
Veröffentlicht: (2026)

FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design
von: Wu, Chenxi, et al.
Veröffentlicht: (2025)

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

Accelerating Transient CFD through Machine Learning-Based Flow Initialization
von: Sharpe, Peter, et al.
Veröffentlicht: (2025)

UP-dROM : Uncertainty-Aware and Parametrised dynamic Reduced-Order Model, application to unsteady flows
von: Zighed, Ismaël, et al.
Veröffentlicht: (2025)

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

Loop2Net: Data-Driven Generation and Optimization of Airfoil CFD Meshes from Sparse Boundary Coordinates
von: Fan, Lushun, et al.
Veröffentlicht: (2025)

RheOFormer: A generative transformer model for simulation of complex fluids and flows
von: Saberi, Maedeh, et al.
Veröffentlicht: (2025)

GIMLET: Generalizable and Interpretable Model Learning through Embedded Thermodynamics
von: Shiratori, Suguru, et al.
Veröffentlicht: (2025)

SuperWing: a comprehensive transonic wing dataset for data-driven aerodynamic design
von: Yang, Yunjia, et al.
Veröffentlicht: (2025)

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

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