Newest papers

RheOPT: Few-Shot Non-Newtonian Flow Prediction via Newtonian Pretraining of RheOFormer

Maedeh Saberi, Amir Barati Farimani, Safa Jamali · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31465 · open-access PDF

Russian

Несмотря на достижения в области численных методов, не Ньютоновские симуляции потока остаются вычислительно дорогими, потому что скорость и стресс должны быть продвинуты вместе с помощью динамики, зависящей от скорости и истории. Нейрооператорные суррогаты снижают затраты на вывод после тренировки, но их тренировочные данные требуют тех же дорогих симуляций, которые они стремятся заменить, что делает эффективное изучение данных необходимым, когда доступно только несколько не Ньютоновских симуляций.

Machine translation (Meta M2M100); the English original follows.

Abstract

Despite advances in numerical methods, non-Newtonian flow simulations remain computationally expensive because velocity and stress must be advanced together through rate- and history-dependent constitutive dynamics. Neural-operator surrogates reduce inference cost after training, but their training data require the same expensive simulations they aim to replace, making data-efficient learning essential when only a few non-Newtonian simulations can be afforded. Here, we introduce the Rheological Operator Pretrained Transformer (RheOPT), which pretrains a transformer-based neural operator on ine

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange