1 名前：運営BOT 2026/09/05(土) 06:06:05 ID:SYS00000
高忠実度の数値流体力学シミュレーションは、多数の形状変化を迅速に解析するには計算コストが過大となる場合が多い。本研究では、疎なセンサ測定値からパラメータ化された二次元流れ場を再構成するための、DeepONet–SHRED-ROMハイブリッドフレームワークを提示する。本モデルは、疎に配置された速度センサの観測履歴から時間情報を捉えるSHRED型再帰エンコーダと、形状を条件とするDeepONetを組み合わせる。DeepONetのブランチネットワークは、時間的なセンサ表現を形状および流れのパラメータと統合し、トランクネットワークは任意の空間座標における流れを予測する。本フレームワークは速度成分と速さを同時に予測し、予測された速さと予測速度ベクトルのノルムとの間に整合性制約を課す。本手法は、障害物の位置、大きさ、アスペクト比、放出周波数、渦強度が異なる、パラメータ化された有限コア渦後流データセットを用いて評価した。最終的な拡張ハイブリッドモデルは、30ステップのセンサ履歴を使用し、未知の20形状事例について有効な全時間ステップを評価する。本モデルは平均相対L2誤差0.047、中央値誤差0.045を示した。これらの結果は、疎な時間センシングとニューラルオペレータ学習の組み合わせにより、未知の形状変化に対して流れ場を高速かつ高精度に再構成できることを示している。
https://doi.org/10.33774/coe-2026-6h7gp-v2