[論文レビュー] Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization

Renjie Xiao, Bingteng Sun+4 more|arXiv (Cornell University)|Mar 10, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

論文は VSOPINN を導入し、微分可能な Voronoi ベースのセンサー配置最適化を物理情報ニューラルネットワークと統合して、 sparse 測定値からの流れ場を堅牢に再構成し、エンドツーエンドでセンサー配置を適応させる。

ABSTRACT

(short version abstract, full in article)High-fidelity flow field reconstruction is important in fluid dynamics, but it is challenged by sparse and spatiotemporally incomplete sensor measurements, as well as failures of pre-deployed measurement points that can invalidate pre-trained reconstruction models. Physics-informed neural networks (PINNs) alleviate dependence on large labeled datasets by incorporating governing physics, yet sensor placement optimization, a key factor in reconstruction accuracy and robustness, remains underexplored. In this study, we propose a PINN with Voronoi-enhanced Sensor Optimization (VSOPINN). VSOPINN enables differentiable soft Voronoi construction for sparse sensor data rasterization, end-to-end fusion of centroidal Voronoi tessellation (CVT) with PINNs for adaptive sensor placement, and unified layout optimization for multi-condition flow reconstruction through a shared encoder-multi-decoder architecture. We validate VSOPINN on three representative problems: lid-driven cavity flow, vascular flow, and annular rotating flow. Results show that VSOPINN significantly improves reconstruction accuracy across different Reynolds numbers, adaptively learns effective sensor layouts, and remains robust under partial sensor failure. The study clarifies the intrinsic relationship between sensor placement and reconstruction precision in PINN-based flow field reconstruction.

研究の動機と目的

• Sparse かつ故障の可能性があるセンサデータからの堅牢な流れ場再構成を動機付ける。
• 物理情報ニューラルネットワークと統合した適応型センサー配置により堅牢性と精度を向上。
• 非構造化センサデータを CNN へ適した表現へ変換する微分可能な Voronoi レンダリングを開発。
• 複数の流れ条件にわたり、センサー配置と場の再構成をエンドツーエンドで統合最適化。
• 規則的および不規則な領域、複数条件設定に対する幾何学的適応性を実証。

提案手法

• 差分可能なソフト Voronoi 構築を用いてスパースセンサデータをグリッド状表現へラスタ化する VSOPINN の導入。
• Voronoi 画像エンコーダとジオメトリ適応デコーダを組み合わせて物理情報を含む流れ場を生成。
• 再構成誤差に応じてセンサー配置を適応的に最適化する CVT に基づくセンサー再配置。
• PDE 残差損失と硬境界条件を PINN フレームワーク内に組み込み Navier–Stokes 物理を埋め込む。
• 単一エンコーダと複数デコーダを用いたマルチ条件の流れ再構成へ拡張し、条件間で情報を共有。

実験結果

リサーチクエスチョン

• RQ1 differentiable Voronoi ベースのラスタライゼーションは PINN 内でのセンサ配置のエンドツーエンド最適化を可能にするか。
• RQ2 CVT ガイドによるセンサー再配置は、さまざまなジオメトリでの再構成精度とセンサ故障に対する堅牢性を向上させるか。
• RQ3 単一エンコーダ・複数デコーダのマルチ条件 VSOPINN は、異なるレイノルズ数および境界条件に対してどれだけ一般化するか。

主な発見

• VSOPINN は、リード付きキャビティ、血管内流、環状回転流の三つのケーススタディでベースラインより流れ場再構成精度を大幅に改善する。
• 訓練中に密度加重 CVT 更新を介して最適センサー配置を適応的に学習する。
• 微分可能なソフト Voronoi 図とマスクにより、エンドツーエンドの勾配ベースのセンサー配置最適化を可能にする。
• 共有エンコーダ・マルチデコーダ設計は複数条件で統一的なセンサー配置をサポートし、一般化を改善する。
• 部分的なセンサー故障に対しても VSOPINN は再構成性能を維持し、入力の低下下でも堅牢性を示す。