Newest papers

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

Maedeh Saberi, Amir Barati Farimani, Safa Jamali · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31465 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Mặc dù sự tiến bộ của Rheover là một lợi thế trong các phương pháp định hướng, các mô phỏng dòng chảy không Newtonian vẫn còn tốn kém về mặt tính toán bởi vì tốc độ và căng thẳng phải được tiến bộ cùng nhau thông qua các động lực cấu trúc phụ thuộc vào tốc độ và lịch sử. Thay thế Neural-operator giảm chi phí kết luận sau khi đào tạo, nhưng dữ liệu đào tạo của họ đòi hỏi các mô phỏng Newtonian đắt tiền tương tự mà họ nhằm mục đích thay thế, làm cho việc học tập hiệu quả dữ liệu rất cần thiết khi chỉ có một vài mô phỏng không Newtonian có thể được cung cấp. Ở đây, chúng tôi giới thiệu Rheological Operator Pretrained Transformer (RheOPT), người đào tạo trước chi phí kết luận sau khi đào tạo, nhưng dữ liệu đào tạo của họ yêu cầu các mô phỏng

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 inexpensive Newtonian simulations and fine-tunes it on a small number of non-Newtonian samples. Rather than transferring the Newtonian constitutive response itself, RheOPT reuses geometry-conditioned transport structure that remains useful after the stress model changes. We evaluate RheOPT in two geometry-matched settings: a $4{:}1$ contraction channel for Giesekus, Oldroyd-B, and Bingham fluids, and the oscillatory wake behind a triangular obstacle for Oldroyd-B flow. In the contraction, Newtonian pretraining substantially improves few-shot prediction, and a model fine-tuned on four target samples can match or exceed a from-scratch model trained on four times as many. This benefit is reliable under reversible instance normalization (RevIN) but dataset dependent under Global normalization, a difference we trace to the dynamic range of each fluid's velocity and stress fields. In the wake, where relative $L_2$ error alone cannot verify that vortex shedding is recovered, phase-insensitive diagnostics show that pretraining recovers the shedding frequency and wake fluctuation amplitude that are suppressed by the from-scratch model in the few-shot regime. Overall, RheOPT establishes Newtonian simulation as a physically grounded pretraining source for data-efficient non-Newtonian operator learning.

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

Topics: Bingham plastic, Non-Newtonian fluid, Wake, Newtonian fluid, Computer science, Operator (biology)

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