東北大学研究者紹介

研究者詳細

ホーム

日本語 English

フカミ　カイ

深見　開

Kai Fukami

所属

大学院工学研究科　航空宇宙工学専攻　先進航空宇宙工学講座（先進航空宇宙工学分野）

職名

准教授

学位

Ｐｈ．Ｄ．（UCLA）
修士（工学）（慶應義塾大学）

researchmap

https://researchmap.jp/kfukami1

J-GLOBAL ID

202301017798395074

e-Rad 研究者番号

91013704

ORCID

https://orcid.org/0000-0002-1381-7322

経歴 8

2025年1月～継続中

東北大学　大学院工学研究科航空宇宙工学専攻　准教授
2024年3月～ 2024年12月

University of California, Los Angeles　Postdoctoral Research Associate
2020年9月～ 2024年2月

University of California, Los Angeles　Graduate Research Assistant (Ph.D. student)
2020年9月～ 2021年8月

慶應義塾大学　訪問研究員
2018年4月～ 2020年9月

慶應義塾大学　修士生研究員
2019年1月～ 2019年8月

University of California, Los Angeles　Visiting Research Student
2018年8月～ 2018年12月

Florida State University　Visiting Research Student
2017年4月～ 2018年3月

慶應義塾大学　学部生研究員

︎全件表示 ︎最初の5件までを表示

学歴 3

University of California, Los Angeles　Samueli Engineering School　Mechanical and Aerospace Engineering

2020年9月～ 2024年2月
慶應義塾大学　理工学研究科　開放環境科学専攻

2018年4月～ 2020年9月
慶應義塾大学　理工学部　機械工学科

2014年4月～ 2018年3月

所属学協会 5

日本流体力学会
American Institute of Aeronautics and Astronautics
Society for Industrial and Applied Mathematics
American Physics Society
日本機械学会

研究キーワード 7

データ指向型アプローチ
機械学習
データ科学
航空力学
乱流
流体工学
流体力学

受賞 11

USNC/TAM National Academy of Sciences Travel Fellowship for ICTAM2024

2024年6月　National Academy of Sciences
UCLA Mechanical and Aerospace Engineering Department Outstanding Ph.D. Degree Award

2024年4月　University of California, Los Angeles
Amazon Fellow 2022

2022年9月　Science Hub for Humanity and Artificial Intelligence organized by UCLA and Amazon　Developing artificial-intelligent techniques for turbulence
International Congress of Theoretical and Applied Mechanics Grant

2021年8月　ICTAM 2020+1
藤原賞

2021年3月　慶應義塾大学藤原奨学基金　Space-time data recovery of fluid flows using machine learning based super resolution
日本機械学会熱工学部門講演論文表彰（PRTEC2019）

2020年10月　日本機械学会熱工学部門　A machine-learned turbulence generator for the channel flow
最優秀賞

2019年11月　第17回乱流制御研究会　Machine-learning-based super-resolution analysis for spatio-temporal data reconstruction of fluid flows
日本機械学会流体工学部門優秀講演表彰

2019年11月　日本機械学会流体工学部門　3次元チャネル乱流における機械学習超解像解析
卒業研究優秀発表賞

2018年3月　慶應義塾大学　機械学習を用いた乱流生成器の提案
最優秀賞

2018年1月　第12回乱流制御研究会　Proposal of a turbulence generator using machine learning
機械工学創造演習優秀賞

2016年3月　慶應義塾大学　Twitterによる``SMART HOME”の実現

︎全件表示 ︎最初の5件までを表示

論文 36

Compressing fluid flows with nonlinear machine learning: mode decomposition, latent modeling, and flow control 招待有り査読有り

Koji Fukagata, Kai Fukami

Fluid Dynamics Research　57　(041401)　2025年6月26日
出版者・発行元：
DOI： 10.1088/1873-7005/ade8a2 　

ISSN：0169-5983

eISSN：1873-7005
Observable-augmented manifold learning for multi-source turbulent flow data 査読有り

Kai Fukami, Kunihiko Taira

Journal of Fluid Mechanics　1010　(R4)　2025年5月9日

DOI： 10.1017/jfm.2025.383 　
Single-snapshot machine learning for super-resolution of turbulence 査読有り

Kai Fukami, Kunihiko Taira

Journal of Fluid Mechanics　1001　2024年12月12日
出版者・発行元： Cambridge University Press (CUP)
DOI： 10.1017/jfm.2024.1136 　

ISSN：0022-1120

eISSN：1469-7645

詳細を見る詳細を閉じる

Modern machine-learning techniques are generally considered data-hungry. However, this may not be the case for turbulence as each of its snapshots can hold more information than a single data file in general machine-learning settings. This study asks the question of whether nonlinear machine-learning techniques can effectively extract physical insights even from as little as a single snapshot of turbulent flow. As an example, we consider machine-learning-based super-resolution analysis that reconstructs a high-resolution field from low-resolution data for two examples of two-dimensional isotropic turbulence and three-dimensional turbulent channel flow. First, we reveal that a carefully designed machine-learning model trained with flow tiles sampled from only a single snapshot can reconstruct vortical structures across a range of Reynolds numbers for two-dimensional decaying turbulence. Successful flow reconstruction indicates that nonlinear machine-learning techniques can leverage scale-invariance properties to learn turbulent flows. We also show that training data of turbulent flows can be cleverly collected from a single snapshot by considering characteristics of rotation and shear tensors. Second, we perform the single-snapshot super-resolution analysis for turbulent channel flow, showing that it is possible to extract physical insights from a single flow snapshot even with inhomogeneity. The present findings suggest that embedding prior knowledge in designing a model and collecting data is important for a range of data-driven analyses for turbulent flows. More broadly, this work hopes to stop machine-learning practitioners from being wasteful with turbulent flow data.
Aerodynamics-guided machine learning for design optimization of electric vehicles 査読有り

Jonathan Tran, Kai Fukami, Kenta Inada, Daisuke Umehara, Yoshimichi Ono, Kenta Ogawa, Kunihiko Taira

Communications Engineering　3　(174)　2024年11月20日

DOI： 10.1038/s44172-024-00322-0 　
Data-driven transient lift attenuation for extreme vortex gust–airfoil interactions 査読有り

Kai Fukami, Hiroya Nakao, Kunihiko Taira

Journal of Fluid Mechanics　992　2024年8月10日
出版者・発行元： Cambridge University Press (CUP)
DOI： 10.1017/jfm.2024.592 　

ISSN：0022-1120

eISSN：1469-7645

詳細を見る詳細を閉じる

We present a data-driven feedforward control to attenuate large transient lift experienced by an airfoil disturbed by an extreme level of discrete vortex gust. The current analysis uses a nonlinear machine-learning technique to compress the high-dimensional flow dynamics onto a low-dimensional manifold. While the interaction dynamics between the airfoil and extreme vortex gust are parametrized by its size, gust ratio and position, the wake responses are well captured on this simple manifold. The effect of extreme vortex disturbance about the undisturbed baseline flows can be extracted in a physically interpretable manner. Furthermore, we call on phase-amplitude reduction to model and control the complex nonlinear extreme aerodynamic flows. The present phase-amplitude reduction model reveals the sensitivity of the dynamical system in terms of the phase shift and amplitude change induced by external forcing with respect to the baseline periodic orbit. By performing the phase-amplitude analysis for a latent dynamical model identified by sparse regression, the sensitivity functions of low-dimensionalized aerodynamic flows for both phase and amplitude are derived. With the phase and amplitude sensitivity functions, optimal forcing can be determined to quickly suppress the effect of extreme vortex gusts towards the undisturbed states in a low-order space. The present optimal flow modification built upon the machine-learned low-dimensional subspace quickly alleviates the impact of transient vortex gusts for a variety of extreme aerodynamic scenarios, providing a potential foundation for flight of small-scale air vehicles in adverse atmospheric conditions.
Phase autoencoder for limit-cycle oscillators 査読有り

Koichiro Yawata, Kai Fukami, Kunihiko Taira, Hiroya Nakao

Chaos: An Interdisciplinary Journal of Nonlinear Science　2024年6月1日

DOI： 10.1063/5.0205718 　
Data-driven nonlinear turbulent flow scaling with Buckingham Pi variables 査読有り

Kai Fukami, Susumu Goto, Kunihiko Taira

Journal of Fluid Mechanics　984　(R4)　2024年4月10日

DOI： 10.1017/jfm.2024.211 　
Reconstructing Three-Dimensional Bluff Body Wake from Sectional Flow Fields with Convolutional Neural Networks 査読有り

Mitsuaki Matsuo, Kai Fukami, Taichi Nakamura, Masaki Morimoto, Koji Fukagata

SN Computer Science　5　(3)　2024年3月7日
出版者・発行元： Springer Science and Business Media LLC
DOI： 10.1007/s42979-024-02602-0 　

eISSN：2661-8907
A cyclic perspective on transient gust encounters through the lens of persistent homology 査読有り

Luke Smith, Kai Fukami, Girguis Sedky, Anya Jones, Kunihiko Taira

Journal of Fluid Mechanics　980　2024年1月30日
出版者・発行元： Cambridge University Press (CUP)
DOI： 10.1017/jfm.2024.16 　

ISSN：0022-1120

eISSN：1469-7645

詳細を見る詳細を閉じる

Large-amplitude gust encounters exhibit a range of separated flow phenomena, making them difficult to characterize using the traditional tools of aerodynamics. In this work, we propose a dynamical systems approach to gust encounters, viewing the flow as a cycle (or a closed trajectory) in state space. We posit that the topology of this cycle, or its shape and structure, provides a compact description of the flow, and can be used to identify coordinates in which the dynamics evolve in a simple, intuitive way. To demonstrate this idea, we consider flowfield measurements of a transverse gust encounter. For each case in the dataset, we characterize the full-state dynamics of the flow using persistent homology, a tool that identifies holes in point cloud data, and transform the dynamics to a reduced-order space using a nonlinear autoencoder. Critically, we constrain the autoencoder such that it preserves topologically relevant features of the original dynamics, or those features identified by persistent homology. Using this approach, we are able to transform six separate gust encounters to a three-dimensional latent space, in which each gust encounter reduces to a simple circle, and from which the original flow can be reconstructed. This result shows that topology can guide the creation of low-dimensional state representations for strong transverse gust encounters, a crucial step towards the modelling and control of aerofoil–gust interactions.
Sparse Pressure-Based Machine Learning Approach for Aerodynamic Loads Estimation During Gust Encounters 査読有り

Dashuai Chen, Frieder Kaiser, JiaCheng Hu, David E. Rival, Kai Fukami, Kunihiko Taira

AIAA Journal　2024年1月

DOI： 10.2514/1.J063263 　
Grasping extreme aerodynamics on a low-dimensional manifold 査読有り

Kai Fukami, Kunihiko Taira

Nature Communications　14　6480　2023年10月14日

DOI： 10.1038/s41467-023-42213-6 　
Super-resolution analysis via machine learning: a survey for fluid flows 招待有り査読有り

Kai Fukami, Koji Fukagata, Kunihiko Taira

Theoretical and Computational Fluid Dynamics　37　(4)　421-444　2023年8月

DOI： 10.1007/s00162-023-00663-0 　

ISSN：0935-4964

eISSN：1432-2250
Sparse sensor reconstruction of vortex-impinged airfoil wake with machine learning 査読有り

Yonghong Zhong, Kai Fukami, Byungjin An, Kunihiko Taira

Theoretical and Computational Fluid Dynamics　37　(2)　269-287　2023年4月

DOI： 10.1007/s00162-023-00657-y 　

ISSN：0935-4964

eISSN：1432-2250
Image and video compression of fluid flow data 査読有り

Vishal Anatharaman, Jason Feldkamp, Kai Fukami, Kunihiko Taira

Theoretical and Computational Fluid Dynamics　37　(1)　61-82　2023年2月

DOI： 10.1007/s00162-023-00643-4 　

ISSN：0935-4964

eISSN：1432-2250
Machine-Learning-Based Reconstruction of Turbulent Vortices From Sparse Pressure Sensors in a Pump Sump 査読有り

Kai Fukami, Byungjin An, Motohiko Nohmi, Masashi Obuchi, Kunihiko Taira

Journal of Fluids Engineering　144　(12)　2022年12月

DOI： 10.1115/1.4055178 　

ISSN：0098-2202

eISSN：1528-901X
Assessments of epistemic uncertainty using Gaussian stochastic weight averaging for fluid-flow regression 査読有り

Masaki Morimoto, Kai Fukami, Romit Maulik, Ricardo Vinuesa, Koji Fukagata

Physica D, Nonlinear Phenomena　440　2022年11月

DOI： 10.1016/j.physd.2022.133454 　

ISSN：0167-2789

eISSN：1872-8022
Generalization techniques of neural networks for fluid flow estimation 査読有り

Masaki Morimoto, Kai Fukami, Kai Zhang, Koji Fukagata

Neural Computing & Applications　34　(5)　3647-3669　2022年3月

DOI： 10.1007/s00521-021-06633-z 　

ISSN：0941-0643

eISSN：1433-3058
Identifying key differences between linear stochastic estimation and neural networks for fluid flow regressions 査読有り

Taichi Nakamura, Kai Fukami, Koji Fukagata

Scientific Reports　12　(1)　2022年3月

DOI： 10.1038/s41598-022-07515-7 　

ISSN：2045-2322
Global field reconstruction from sparse sensors with Voronoi tessellation-assisted deep learning 査読有り

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

Nature Machine Intelligence　3　(11)　945-+　2021年11月

DOI： 10.1038/s42256-021-00402-2 　

eISSN：2522-5839
Convolutional neural networks for fluid flow analysis: toward effective metamodeling and low dimensionalization 査読有り

Masaki Morimoto, Kai Fukami, Kai Zhang, Aditya G. Nair, Koji Fukagata

Theoretical and Computational Fluid Dynamics　35　(5)　633-658　2021年10月

DOI： 10.1007/s00162-021-00580-0 　

ISSN：0935-4964

eISSN：1432-2250
Sparse identification of nonlinear dynamics with low-dimensionalized flow representations 査読有り

Kai Fukami, Takaaki Murata, Kai Zhang, Koji Fukagata

Journal of Fluid Mechanics　926　2021年9月

DOI： 10.1017/jfm.2021.697 　

ISSN：0022-1120

eISSN：1469-7645
Experimental velocity data estimation for imperfect particle images using machine learning 査読有り

Masaki Morimoto, Kai Fukami, Koji Fukagata

Physics of Fluids　33　(8)　2021年8月

DOI： 10.1063/5.0060760 　

ISSN：1070-6631

eISSN：1089-7666
Machine-learning-based spatio-temporal super resolution reconstruction of turbulent flows 査読有り

Kai Fukami, Koji Fukagata, Kunihiko Taira

Journal of Fluid Mechanics　909　2021年2月

DOI： 10.1017/jfm.2020.948 　

ISSN：0022-1120

eISSN：1469-7645
Convolutional neural network and long short-term memory based reduced order surrogate for minimal turbulent channel flow 査読有り

Taichi Nakamura, Kai Fukami, Kazuto Hasegawa, Yusuke Nabae, Koji Fukagata

Physics of Fluids　33　(2)　2021年2月

DOI： 10.1063/5.0039845 　

ISSN：1070-6631

eISSN：1089-7666
CNN-LSTM based reduced order modeling of two-dimensional unsteady flows around a circular cylinder at different Reynolds numbers 査読有り

Kazuto Hasegawa, Kai Fukami, Takaaki Murata, Koji Fukagata

Fluid Dynamics Research　52　(6)　2020年12月

DOI： 10.1088/1873-7005/abb91d 　

ISSN：0169-5983

eISSN：1873-7005
Probabilistic neural networks for fluid flow surrogate modeling and data recovery 査読有り

Romit Maulik, Kai Fukami, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

Physical Review Fluids　5　(10)　2020年10月

DOI： 10.1103/PhysRevFluids.5.104401 　

ISSN：2469-990X
Convolutional neural network based hierarchical autoencoder for nonlinear mode decomposition of fluid field data 査読有り

Kai Fukami, Taichi Nakamura, Koji Fukagata

Physics of Fluids　32　(9)　2020年9月

DOI： 10.1063/5.0020721 　

ISSN：1070-6631

eISSN：1089-7666
Assessment of supervised machine learning methods for fluid flows 招待有り査読有り

Kai Fukami, Koji Fukagata, Kunihiko Taira

Theoretical and Computational Fluid Dynamics　34　(4)　497-519　2020年8月

DOI： 10.1007/s00162-020-00518-y 　

ISSN：0935-4964

eISSN：1432-2250
Machine-learning-based reduced-order modeling for unsteady flows around bluff bodies of various shapes 招待有り査読有り

Kazuto Hasegawa, Kai Fukami, Takaaki Murata, Koji Fukagata

Theoretical and Computational Fluid Dynamics　34　(4)　367-383　2020年8月

DOI： 10.1007/s00162-020-00528-w 　

ISSN：0935-4964

eISSN：1432-2250
Nonlinear mode decomposition with convolutional neural networks for fluid dynamics 査読有り

Takaaki Murata, Kai Fukami, Koji Fukagata

Journal of Fluid Mechanics　882　2020年1月

DOI： 10.1017/jfm.2019.822 　

ISSN：0022-1120

eISSN：1469-7645
Super-resolution reconstruction of turbulent flows with machine learning 査読有り

Kai Fukami, Koji Fukagata, Kunihiko Taira

JOURNAL OF FLUID MECHANICS　870　106-120　2019年7月

DOI： 10.1017/jfm.2019.238 　

ISSN：0022-1120

eISSN：1469-7645
Synthetic turbulent inflow generator using machine learning 査読有り

Kai Fukami, Yusuke Nabae, Ken Kawai, Koji Fukagata

Physical Review Fluids　4　(6)　2019年6月

DOI： 10.1103/PhysRevFluids.4.064603 　

ISSN：2469-990X
Super-resolution analysis with machine learning for low-resolution flow data

Kai Fukami, Koji Fukagata, Kunihiko Taira

11th International Symposium on Turbulence and Shear Flow Phenomena, TSFP 2019　2019年
出版者・発行元： International Symposium on Turbulence and Shear Flow Phenomena, TSFP
Machine-learned super-resolution analysis of three-dimensional turbulent channel flow

Kai Fukami

The Proceedings of the Fluids engineering conference　2019年

DOI： 10.1299/jsmefed.2019.os8-01 　

ISSN：2424-2896
DATA-DRIVEN REDUCED ORDER MODELING OF FLOWS AROUND TWO-DIMENSIONAL BLUFF BODIES OF VARIOUS SHAPES

Kazuto Hasegawa, Kai Fukami, Takaaki Murata, Koji Fukagata

PROCEEDINGS OF THE ASME/JSME/KSME JOINT FLUIDS ENGINEERING CONFERENCE, 2019, VOL 2　2019年

ISSN：2333-2506
CNN-SINDY BASED REDUCED ORDER MODELING OF UNSTEADY FLOW FIELDS

Takaaki Murata, Kai Fukami, Koji Fukagata

PROCEEDINGS OF THE ASME/JSME/KSME JOINT FLUIDS ENGINEERING CONFERENCE, 2019, VOL 2　2019年

ISSN：2333-2506

︎全件表示 ︎最初の5件までを表示

MISC 33

Plunging Airfoil Wakes in Low-Order Latent Space Coordinates

Hiroto Odaka, Kai Fukami, Kunihiko Taira

AIAA AVIATION FORUM AND ASCEND 2025　2025-3869　2025年7月16日
出版者・発行元： American Institute of Aeronautics and Astronautics
DOI： 10.2514/6.2025-3869 　
Data-Driven Modeling, Sensing, and Control of Extreme Vortex-Airfoil Interactions

Kai Fukami, Kunihiko Taira

AIAA AVIATION Forum and Ascend 2024　2024-4531　2024年7月27日

DOI： 10.2514/6.2024-4531 　
Extreme aerodynamics of vortex impingement: Machine-learning-based compression and situational awareness 査読有り

Kai Fukami, Kunihiko Taira

13th International Symposium on Turbulence and Shear Flow Phenomena (TSFP13)　114　2024年6月
Learning the nonlinear manifold of extreme aerodynamics 査読有り

Kai Fukami, Kunihiko Taira

NeurIPS 2022　105　2022年12月
Machine-learning-based reconstruction of transient vortex-airfoil wake interaction

Yonghong Zhong, Kai Fukami, Byungjin An, Kunihiko Taira

AIAA AVIATION 2022 Forum　2022年6月20日
出版者・発行元： American Institute of Aeronautics and Astronautics
DOI： 10.2514/6.2022-3244 　
機械学習に基づく圧力センサ情報を用いた吸込水槽内の乱流状態推定

深見開, 安炳辰, 能見基彦, 大渕真志, 平邦彦

ターボ機械協会講演会(CD-ROM)　86th　2022年
Visualization of nonlinear modal structures for three-dimensional unsteady fluid flows with customized decoder design 査読有り

Kazuto Hasegawa, Kai Fukami, Koji Fukagata

NeurIPS 2021　30　2021年12月
Inserting machine-learned virtual wall velocity for large-eddy simulation of turbulent channel flows

Naoki Moriya, Kai Fukami, Yusuke Nabae, Masaki Morimoto, Taichi Nakamura, Koji Fukagata

2021年6月17日

詳細を見る詳細を閉じる

We propose a supervised-machine-learning-based wall model for coarse-grid wall-resolved large-eddy simulation (LES). Our consideration is made on LES of turbulent channel flows with a first grid point set relatively far from the wall ($\sim$ 10 wall units), while still resolving the near-wall region, to present a new path to save the computational cost. Convolutional neural network (CNN) is utilized to estimate a virtual wall-surface velocity from $x-z$ sectional fields near the wall, whose training data are generated by a direct numerical simulation (DNS) at ${\rm Re}_{\tau}=180$. The virtual wall-surface velocity is prepared with the extrapolation of the DNS data near the wall. This idea enables us to give a proper wall condition to correct a velocity gradient near the wall. The estimation ability of the model from near wall information is first investigated as a priori test. The estimated velocity fields by the present CNN model are in statistical agreement with the reference DNS data. The model trained in a priori test is then combined with the LES as a posteriori test. We find that the LES can successfully be augmented using the present model at both the friction Reynolds number ${\rm Re}_{\tau}=180$ used for training and the unseen Reynolds number ${\rm Re}_{\tau}=360$ even when the first grid point is located at 5 wall units off the wall. We also investigate the robustness of the present model for the choice of sub-grid scale model and the possibility of transfer learning in a local domain. The observations through the paper suggest that the present model is a promising tool for recovering the accuracy of LES with a coarse grid near the wall.
Clues for noise robustness of state estimation: Error-curve quest of neural network and linear regression 査読有り

Taichi Nakamura, Kai Fukami, Koji Fukagata

ICLR 2021　3　2021年5月
Supervised convolutional networks for volumetric data enrichment from limited sectional data with adaptive super resolution 査読有り

Mitsuaki Matsuo, Kai Fukami, Taichi Nakamura, Masaki Morimoto, Koji Fukagata

ICLR 2021　4　2021年5月
Supervised convolutional network for three-dimensional fluid data reconstruction from sectional flow fields with adaptive super-resolution assistance

Mitsuaki Matsuo, Taichi Nakamura, Masaki Morimoto, Kai Fukami, Koji Fukagata

2021年3月16日

詳細を見る詳細を閉じる

The recent development of high-performance computing enables us to generate spatio-temporal high-resolution data of nonlinear dynamical systems and to analyze them for deeper understanding of their complex nature. This trend can be found in a wide range of science and engineering communities, which suggests that detailed investigations on efficient data handling in physical science must be required in future. To this end, we introduce the use of convolutional neural networks (CNNs) to achieve an efficient data storage and estimation of scientific big data derived from nonlinear dynamical systems. The CNN is utilized to reconstruct three-dimensional data from a few numbers of two-dimensional sections in a computationally friendly manner. The present model is a combination of two- and three-dimensional CNNs, which allows users to save only some of the two-dimensional sections to reconstruct the volumetric data. As an example of three-dimensional data, we consider a fluid flow around a square cylinder at the diameter-based Reynolds number $Re_D$ of 300, and show that volumetric fluid flow data can successfully be reconstructed with the present method from as few as five sections. Furthermore, we also propose a combination of the present CNN-based reconstruction with an adaptive sampling-based super-resolution analysis to augment the data compression capability of the present methods. Our report can be a significant bridge toward practical data handling for not only the fluid mechanics field but also a vast range of physical sciences.
非線形ダイナミカルシステムに対するニューラルネットワークを用いた異常検知

森本将生, 深見開, 深見開, 中村太一, 深潟康二

日本機械学会関東支部総会・講演会講演論文集(CD-ROM)　27th　2021年

ISSN： 2424-2691
機械学習を用いた乱流の状態推定:入力ノイズに対するロバスト性

中村太一, 深見開, 深見開, 深潟康二

日本機械学会関東支部総会・講演会講演論文集(CD-ROM)　27th　2021年

ISSN： 2424-2691
データ駆動科学と熱・流体工学機械学習縮約モデルを用いた革新的流れ制御に向けて

深潟康二, 深見開

伝熱　60　(253)　2021年

ISSN： 1344-8692
遷移境界層流れにおけるスパースセンサからのCNNベース大域場再構築

中村太一, 深見開, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　35th　2021年

ISSN： 2433-2674
畳み込みニューラルネットワークを用いたスパースセンサからの流れ場状態推定

中村太一, 深見開, 深潟康二

日本機械学会年次大会講演論文集(CD-ROM)　2021　2021年

ISSN： 2424-2667
Probabilistic neural network-based reduced-order surrogate for fluid flows 査読有り

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

NeurIPS 2020　7　2020年12月16日
Model order reduction with neural networks: Application to laminar and turbulent flows

Kai Fukami, Kazuto Hasegawa, Taichi Nakamura, Masaki Morimoto, Koji Fukagata

2020年11月20日

DOI： 10.1007/s42979-021-00867-3 　

詳細を見る詳細を閉じる

We investigate the capability of neural network-based model order reduction, i.e., autoencoder (AE), for fluid flows. As an example model, an AE which comprises of a convolutional neural network and multi-layer perceptrons is considered in this study. The AE model is assessed with four canonical fluid flows, namely: (1) two-dimensional cylinder wake, (2) its transient process, (3) NOAA sea surface temperature, and (4) $y-z$ sectional field of turbulent channel flow, in terms of a number of latent modes, a choice of nonlinear activation functions, and a number of weights contained in the AE model. We find that the AE models are sensitive against the choice of the aforementioned parameters depending on the target flows. Finally, we foresee the extensional applications and perspectives of machine learning based order reduction for numerical and experimental studies in fluid dynamics community.
注目研究 in CFD33 機械学習に基づくデータ拡張によるPIVの精度向上

森本将生, 深見開, 長谷川一登, 村田高彬, 村上光, 深潟康二

ながれ　39　(2)　2020年

ISSN： 0286-3154
機械学習を用いた乱流ビッグデータ解析に向けて

深潟康二, 深見開

計測と制御　59　(8)　2020年

ISSN： 0453-4662
注目研究in年会2020 階層型CNNオートエンコーダを用いた流れ場の非線形モードの抽出

中村太一, 深見開, 深潟康二

ながれ　39　(6)　2020年

ISSN： 0286-3154
チャネル乱流LESの壁モデル構築のための教師付き機械学習

守矢直樹, 深見開, 難波江佑介, 森本将生, 中村太一, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　34th　2020年

ISSN： 2433-2674
解釈・汎化可能性の観点から見る流体問題への実用的な機械学習に向けて

森本将生, 深見開, ZHANG Kai, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　34th　2020年

ISSN： 2433-2674
機械学習を用いたチャネル乱流における状態推定とそのセンサ情報ロバスト性

中村太一, 深見開, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　34th　2020年

ISSN： 2433-2674
機械学習を用いた2次元データから3次元流れ場の再構築

松尾光昭, 森本将生, 中村太一, 深見開, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　34th　2020年

ISSN： 2433-2674
注目研究in CFD32 機械学習を用いた円柱周り流れのレイノルズ数依存性の予測

長谷川一登, 深見開, 村田高彬, 深潟康二

ながれ　38　(2)　2019年

ISSN： 0286-3154
機械学習に基づくデータ拡張によるPIVの精度向上

森本将生, 深見開, 長谷川一登, 村田高彬, 村上光, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　33rd　2019年

ISSN： 2433-2674
オートエンコーダを用いたチャネル乱流の機械学習

中村太一, 深見開, 長谷川一登, 村田高彬, 難波江佑介, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　33rd　2019年

ISSN： 2433-2674
注目研究in年会2019 2次元流れ場への機械学習超解像の応用

深見開, 深潟康二, 平邦彦

ながれ　38　(6)　2019年

ISSN： 0286-3154
3次元チャネル乱流における機械学習超解像解析

深見開, 深潟康二, 平邦彦

日本機械学会流体工学部門講演会講演論文集(CD-ROM)　97th　2019年

ISSN： 1348-2882
機械学習を用いた円柱周り流れにおける低次元モードの抽出と時間発展予測

村田高彬, 深見開, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　32nd　2018年

ISSN： 2433-2674
機械学習を用いた円柱周り流れのレイノルズ数依存性の予測

長谷川一登, 深見開, 村田高彬, 深潟康二

数値流体力学シンポジウム講演論文集(CD-ROM)　32nd　2018年

ISSN： 2433-2674
機械学習を用いた乱流生成器の提案

深見開, 河合謙, 深潟康二

日本機械学会関東支部総会・講演会講演論文集(CD-ROM)　24th　2018年

ISSN： 2424-2691

︎全件表示 ︎最初の5件までを表示

講演・口頭発表等 129

Plunging airfoil wakes in low-order latent space coordinates

Hiroto Odaka, Kai Fukami, Kunihiko Taira

AIAA Aviation Forum 2025　2025年7月25日
Observable-augmented manifold learning for unsteady flow analysis 招待有り

Kai Fukami

IUTAM Symposium on Machine Learning in Diverse Fluid Mechanics　2025年5月16日
Identifying interpolatory and extrapolatory vortical structures of data-driven fluid dynamics 招待有り

Kai Fukami

3rd Workshop on Data-Driven Fluid Dynamics　2025年3月18日
Data-driven analysis of highly unsteady flows: progress and outlook

深見開

The seminar at Spacecraft Thermal and Fluids Systems Laboratory, Tohoku University　2025年2月26日
Extreme Aerodynamic Manifold: Data-Driven Modeling and Control of Highly Gusty Flows 招待有り

深見開

第18回計算力学シンポジウム (AI・シミュレーション研究プロジェクト報告会)　2025年2月17日
Generalized Super-Resolution Analysis with Machine Learning of Turbulence 招待有り

Kai Fukami

1st Workshop for Digital Twin and AI-Integrated Design for Mechanical Systems　2025年2月13日
Taming highly unsteady flows with data-oriented approaches: progress and outlook 招待有り

Kai Fukami

Interdisciplinary Scientific Computing Laboratory (ISCL) Seminar Series at Pennsylvania State University　2025年1月17日
Quick mitigation of extreme-gust effects with phase-amplitude modeling on a low-dimensional manifold

Kai Fukami, Hiroya Nakao, Kunihiko Taira

38th CFD symposium　2024年12月11日
Data-driven automotive aerodynamic shape optimization

Jonathan Tran, Kai Fukami, Kenta Inada, Daisuke Umehara, Yoshimichi Ono, Kenta Ogawa, Kunihiko Taira

77th Annual Meeting of the APS Division of Fluid Dynamics　2024年11月24日
Single-snapshot machine learning for super-resolution analysis of turbulence

Kai Fukami, Kunihiko Taira

77th Annual Meeting of the APS Division of Fluid Dynamics　2024年11月24日
Data-driven vehicle design optimization through aerodynamics informed dimensionality reduction

Jonathan Tran, Kai Fukami, Kenta Inada, Daisuke Umehara, Yoshimichi Ono, Kenta Ogawa, Kunihiko Taira

SIAM Conference on Mathematics of Data Science (MDS24)　2024年10月22日
Latent space representation of plunging airfoil wakes using a drag-augmented autoencoder

Hiroto Odaka, Kai Fukami, Kunihiko Taira

1st European Fluid Dynamics Conference (EFDC1)　2024年9月16日
Data-driven lift regulation of extreme vortex-airfoil interactions

Kai Fukami, Hiroya Nakao, Kunihiko Taira

ICTAM2024　2024年8月27日
Data-driven modeling, sensing, and control of extreme vortex-airfoil interactions

Kai Fukami, Kunihiko Taira

AIAA Aviation Forum 2024　2024年8月2日
Extreme aerodynamics of vortex impingement: Machine-learning-based compression and situational awareness

Kai Fukami, Kunihiko Taira

13th International Symposium on Turbulence and Shear Flow Phenomena (TSFP13)　2024年6月26日
Super-Resolution Analysis: Revisiting the Training Process/Data for Machine Learning in Fluid Dynamics 招待有り

Kunihiko Taira, Kai Fukami

Advancing fluid and soft-matter dynamics with machine learning and data science: a conference at UW-Madison　2024年6月3日
Let us machine-learn fluid dynamics! 招待有り

深見開

第73回SCJSF＆JABAフォーラム　2024年5月25日
Discrete gust encounters through the lens of persistent homology

Luke R. Smith, Kai Fukami, Girguis Sedky, Anya R. Jones, Kunihiko Taira

3rd Colloquium on Vortex Dominated Flows (DisCoVor)　2024年4月19日
Aerodynamics-informed manifold learning for data-driven design optimization of automobiles

Jonathan Tran, Kai Fukami, Kunihiko Taira

17th Southern California Flow Physics Symposium (SoCal Fluids XVII)　2024年4月13日
Phase-amplitude model-based control of extreme vortex-airfoil interactions on a low-dimensional manifold

Kai Fukami, Hiroya Nakao, Kunihiko Taira

17th Southern California Flow Physics Symposium (SoCal Fluids XVII)　2024年4月13日
Taming extreme aerodynamic flows with generalized super resolution and manifold identification 招待有り

Kai Fukami

Online webinar at the Laboratoire de Mécanique des Fluides de Lille (LFML)　2024年2月22日
Extreme Aerodynamic Manifold: Vortex-Airfoil Interactions 招待有り

Kai Fukami, Kunihiko Taira

Remote Colloquium on Vortex Dominated Flows (ReCoVor)　2024年1月19日
U.S. Ph.D. life as a Japanese Mechanical Engineer 招待有り

Kai Fukami

Seminar for the Japanese Graduate Student Association in the United States　2023年12月16日
Extreme Aerodynamic Manifold: Vortex-Airfoil Interactions

Kai Fukami, Kunihiko Taira

76th Annual Meeting of the APS Division of Fluid Dynamics　2023年11月20日
Analyzing the Dynamics of Discrete Gust Encounters with Persistent Homology

Luke R. Smith, Kai Fukami, Girguis Sedky, Anya R. Jones, Kunihiko Taira

76th Annual Meeting of the APS Division of Fluid Dynamics　2023年11月20日
Data-driven compression of plunging airfoil wakes

Hiroto Odaka, Kai Fukami, Kunihiko Taira

76th Annual Meeting of the APS Division of Fluid Dynamics　2023年11月19日
Grasping extreme aerodynamics on a low-dimensional manifold 招待有り

Kai Fukami, Kunihiko Taira

Science Hub Showcase 2023 hosted by the UCLA-Amazon Science Hub for Humanity and Artificial Intelligence　2023年10月13日
Let us machine-learn fluid dynamics: A perspective of global field reconstruction and nonlinear manifold identification

Kai Fukami

Seminar at Aerodynamic Design Research Group at Tohoku University　2023年8月24日
Global field reconstruction from sparse sensors with Voronoi tessellation-assisted deep learning

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

Seminar at Structures-Computer Interaction Lab at UCLA　2023年6月7日
Discovering the nonlinear manifold of extreme aerodynamic flows

Kai Fukami, Kunihiko Taira

16th Southern California Flow Physics Symposium (SoCal Fluids XVI)　2023年4月22日
Feature extraction from plunging airfoil wakes using an autoencoder,

Hiroto Odaka, Kai Fukami, Kunihiko Taira

16th Southern California Flow Physics Symposium (SoCal Fluids XVI)　2023年4月22日
Super-resolving turbulent flows with machine learning: a survey 招待有り

Kai Fukami, Koji Fukagata, Kunihiko Taira

SIAM Conference on Computational Science and Engineering (CSE23)　2023年2月27日
Developing artificial-intelligent techniques for turbulence 招待有り

Kai Fukami

Lightning Talks by the Amazon Fellows hosted by the UCLA-Amazon Science Hub for Humanity and Artificial Intelligence　2023年2月23日
Machine learning for fluid dynamics -- Part I: Unsupervised learning 招待有り

Kunihiko Taira, Kai Fukami

Seminar at Honda Motor Co.,LTD.　2022年12月15日
Machine learning for fluid dynamics -- Part II: Supervised learning 招待有り

Kunihiko Taira, Kai Fukami

Seminar at Honda Motor Co.,LTD.　2022年12月15日
Machine learning for fluid dynamics -- Part III: Applications 招待有り

Kai Fukami, Kunihiko Taira

Seminar at Honda Motor Co.,LTD.　2022年12月15日
Learning the nonlinear manifold of extreme aerodynamics

Kai Fukami, Kunihiko Taira

Machine Learning and the Physical Sciences, Workshop at the 36th Conference on Neural Information Processing Systems (NeurIPS)　2022年12月1日
Image and video compression of fluid flow data

Vishal Anantharaman, Kai Fukami, Kunihiko Taira

75th Annual Meeting of the APS Division of Fluid Dynamics　2022年11月20日
Compact manifold representation of airfoil wake-vortex gust interaction

Kai Fukami, Kunihiko Taira

75th Annual Meeting of the APS Division of Fluid Dynamics　2022年11月20日
Finding scale-invariant turbulent flow structures for enhanced machine learning

Kai Fukami, Kunihiko Taira

SIAM Conference on Mathematics of Data Science (MDS22)　2022年9月26日
Physics-inspired machine learning for fluid flow reconstruction and reduced-complexity modeling 招待有り

Kai Fukami

Seminar at Osaka University　2022年9月13日
Towards phase-inspired airfoil wake control in autoencoder latent space

Kai Fukami

Seminar at Tokyo Institute of Technology　2022年9月12日
Reconstructing and modeling unsteady flows with physics-inspired machine learning 招待有り

Kai Fukami

2nd US-Japan Workshop on Data-Driven Fluid Dynamics　2022年9月5日
Quantifying uncertainty in deep learning for fluid flow reconstruction 招待有り

Romit Maulik, Kai Fukami, Masaki Morimoto, Nesar Ramachandra, Ricardo Vinuesa, Koji Fukagata, Kunihiko Taira

USACM Thematic Conference on Uncertainty Quantification for Machine Learning Integrated Physics Modeling (MLIP)　2022年8月18日
Machine-learning-based reconstruction of transient vortex-airfoil wake interaction

Yonghong Zhong, Kai Fukami, Byungjin An, Kunihiko Taira

AIAA Aviation Forum 2022　2022年6月27日
Time-varying broadcast mode analysis for airfoil wake dynamics

Kai Fukami, Vedasri Godavarthi, Yonghong Zhong, Chi-An Yeh, Kunihiko Taira

IUTAM Symposium on Data-driven modeling and optimization in fluid mechanics　2022年6月15日
機械学習に基づく圧力センサ情報を用いた吸込水槽内の流れ状態推定

深見開, 安炳辰, 能見基彦, 大渕真志, 平邦彦

一般社団法人ターボ機械協会第86回総会講演会　2022年5月12日
Broadcasting perturbations over turbulence 招待有り

Kunihiko Taira, Chi-An Yeh, Kai Fukami

Causality in turbulence and transition　2022年5月3日
Image and video compression of fluid flow data

Vishal Anantharaman, Jason Feldkamp, Kai Fukami, Kunihiko Taira

15th Southern California Flow Physics Symposium (SoCal Fluids XV)　2022年4月23日
Machine-learning-based flow reconstruction of gust vortex-airfoil wake interactions

Yonghong Zhong, Kai Fukami, Byungjin An, Kunihiko Taira

15th Southern California Flow Physics Symposium (SoCal Fluids XV)　2022年4月23日
Network broadcast analysis of airfoil wakes

Kai Fukami, Vedasri Godavarthi, Chi-An Yeh, Kunihiko Taira

15th Southern California Flow Physics Symposium (SoCal Fluids XV)　2022年4月23日
Flow field reconstruction from sparse sensors with neural networks: Progress and outlook 招待有り

Kai Fukami, Yonghong Zhong, Kunihiko Taira

Advanced Modeling & Simulations seminar at the University of Texas at El Paso (UTEP) - Multi-Scale/Physics Computational Laboratory　2022年4月22日
Reconstructing turbulence with deep learning: uncertainty quantification and outlook 招待有り

Kai Fukami, Romit Maulik, Nesar Ramachandra, Masaki Morimoto, Ricardo Vinuesa, Koji Fukagata, Kunihiko Taira

SIAM Conference on Uncertainty Quantification (UQ22)　2022年4月15日
Flow field reconstruction from sparse sensors with machine learning 招待有り

Kai Fukami, Yonghong Zhong, Kunihiko Taira

Seminar at Sorbonne University　2022年4月4日
Reconstructing turbulent flows with machine-learning-based super-resolution analysis 招待有り

Kai Fukami, Koji Fukagata, Kunihiko Taira

National Science Foundation AI Planning Institute for Data Driven Physics’ Workshop on ``AI Super-Resolution Simulations: from Climate Science to Cosmology"　2022年2月23日
ニューラルネットワークに基づく流れ場推定におけるモデルの不確かさの評価

森本将生, 深見開, Romit Maulik, Ricardo Vinuesa, 深潟康二

第35回数値流体力学シンポジウム　2021年12月14日
遷移境界層流れにおけるスパースセンサからのCNNベース大域場再構築

中村太一, 深見開, 深潟康二

第35回数値流体力学シンポジウム　2021年12月14日
Visualization of nonlinear modal structures for three-dimensional unsteady fluid flows with customized decoder design

Kazuto Hasegawa, Kai Fukami, Koji Fukagata

Machine Learning and the Physical Sciences, Workshop at the 35th Conference on Neural Information Processing Systems (NeurIPS)　2021年12月13日
Global field reconstruction from sparse sensors with Voronoi tessellation-assisted convolutional neural network 招待有り

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

Remote Colloquium on Vortex Dominated Flows (ReCoVor)　2021年12月10日
Robust machine learning of turbulence through generalized Buckingham Pi-inspired pre-processing of training data

Kai Fukami, Kunihiko Taira

74th Annual Meeting of the APS Division of Fluid Dynamics　2021年11月21日
Data-driven reduced-order modeling for turbulent flow forecast: neural networks and sparse regressions

Taichi Nakamura, Kai Fukami, Koji Fukagata

Mechanistic Machine Learning and Digital Twins for Computational Science, Engineering & Technology (MMLDT-CSET2021)　2021年9月26日
Convolutional neural network based three-dimensional fluid flow recovery from two-dimensional sectional data with super resolution based data augmentation

Mitsuaki Matsuo, Taichi Nakamura, Masaki Morimoto, Kai Fukami, Koji Fukagata

Mechanistic Machine Learning and Digital Twins for Computational Science, Engineering & Technology (MMLDT-CSET2021)　2021年9月26日
Latent space based feedback control design: Machine-learning-based reduced-order modeling of unsteady fluid flows

Shoei Kanehira, Kai Fukami, Kazuto Hasegawa, Taichi Nakamura, Masaki Morimoto, Koji Fukagata

Mechanistic Machine Learning and Digital Twins for Computational Science, Engineering & Technology (MMLDT-CSET2021)　2021年9月26日
Towards practical uses of supervised neural networks for fluid flow regressions

Masaki Morimoto, Kai Fukami, Kai Zhang, Koji Fukagata

Mechanistic Machine Learning and Digital Twins for Computational Science, Engineering & Technology (MMLDT-CSET2021)　2021年9月26日
流動場の空間再構築のための階層型ニューラルネットワーク

守矢直樹, 森本将生, 深見開, 長谷川一登, 深潟康二

日本流体力学会年会2021　2021年9月21日
畳み込みニューラルネットワークに基づく非線形モード分解の3次元流れへの応用

長谷川一登, 深見開, 深潟康二

日本機械学会2021年度年次大会　2021年9月5日
畳み込みニューラルネットワークを用いたスパースセンサからの流れ場状態推定

中村太一, 深見開, 深潟康二

日本機械学会2021年度年次大会　2021年9月5日
潜在ベクトルとスパース回帰を用いた流れ場時系列解析：データ駆動型流れ制御に向けて

深見開, 村田高彬, 張凱, 兼平昇英, 深潟康二

日本機械学会2021年度年次大会　2021年9月5日
Demonstration of machine learning-based reduced order modeling using unsteady flows around bluff bodies with various shapes

Kazuto Hasegawa, Kai Fukami, Koji Fukagata

25th International Congress of Theoretical and Applied Mechanics (XXV ICTAM)　2021年8月22日
Extracting nonlinear dynamics of low-dimensionalized flows

Kai Fukami, Takaaki Murata, Koji Fukagata

25th International Congress of Theoretical and Applied Mechanics (XXV ICTAM)　2021年8月22日
Error-curve analysis of neural network and linear stochastic estimation for fluid flow problems

Taichi Nakamura, Kai Fukami, Koji Fukagata

16th U.S. National Congress on Computational Mechanics　2021年7月25日
Parameter influence of supervised/unsupervised use of convolutional neural networks for fluid flow analyses

Masaki Morimoto, Kai Fukami, Kai Zhang, Aditya G. Nair, Koji Fukagata

16th U.S. National Congress on Computational Mechanics　2021年7月25日
Latent variable-based analysis with machine learning for reduced-order modeling and control of fluid flows

Kai Fukami, Koji Hasegawa, Taichi Nakamura, Shoei Kanehira, Koji Fukagata

16th U.S. National Congress on Computational Mechanics　2021年7月25日
2D-3D CNN: Enabling neural networks for effective fluid data handling

Mitsuaki Matsuo, Taichi Nakamura, Masaki Morimoto, Kai Fukami, Koji Fukagata

22nd Workshop on Turbulence Control　2021年6月18日
Machine-learned invariant map for turbulent flow analysis and modeling: interpolation and extrapolation

Kai Fukami, Kunihiko Taira

Machine learning methods for prediction and control of separated turbulent flows　2021年6月16日
Clues for noise robustness of state estimation: Error-curve quest of neural network and linear regression

Taichi Nakamura, Kai Fukami, Koji Fukagata

International Conference on Learning Representation (ICLR) workshop, Deep Learning for Simulation (SIMDL)　2021年5月7日
Supervised convolutional networks for volumetric data enrichment from limited sectional data with adaptive super resolution

Mitsuaki Matsuo, Kai Fukami, Taichi Nakamura, Masaki Morimoto, Koji Fukagata

International Conference on Learning Representation (ICLR) workshop, Deep Learning for Simulation (SIMDL)　2021年5月7日
Voronoi tessellation-assisted convolutional neural network for flow field reconstruction from sparse sensors

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

14th Southern California Flow Physics Symposium (SoCal Fluids XIV)　2021年4月10日
Bends of weight surfaces for noise robustness: linear and nonlinear fluid flow regressions

Taichi Nakamura, Kai Fukami, Koji Fukagata

21st Workshop on Turbulence Control　2021年3月19日
Voronoi tessellation-aided machine learning for fluid flow data recovery from moving sparse sensors

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

21st Workshop on Turbulence Control　2021年3月19日
Utilization of autoencoder-based nonlinear manifolds for fluid flow forecasts driven with long short-term memory 招待有り

Taichi Nakamura, Kai Fukami, Kazuto Hasegawa, Yusuke Nabae, Koji Fukagata

DataLearning workshop of Data Science Institute, Imperial College London　2021年3月16日
オートエンコーダとSINDy を用いた非定常流れにおけるフィードバック制御

兼平昇英, 深見開, 長谷川一登, 中村太一, 森本将生, 深潟康二

日本機械学会関東学生会第60回学生員卒業研究発表講演会　2021年3月10日
適応サンプリングと組み合わせた畳み込みニューラルネットワークに基づく二次元データからの三次元データの再構築

松尾光昭, 森本将生, 中村太一, 深見開, 深潟康二

日本機械学会関東学生会第60回学生員卒業研究発表講演会　2021年3月10日
チャネル乱流LESに対する教師あり機械学習ベースのデータ駆動型壁モデリング

守矢直樹, 深見開, 難波江佑介, 中村太一, 森本将生, 深潟康二

日本機械学会関東学生会第60回学生員卒業研究発表講演会　2021年3月10日
機械学習を用いた乱流の状態推定：入力ノイズに対するロバスト性

中村太一, 深見開, 深潟康二

日本機械学会関東支部第27期総会・講演会　2021年3月10日
非線形ダイナミカルシステムに対するニューラルネットワークを用いた異常検知

森本将生, 深見開, 中村太一, 深潟康二

日本機械学会関東支部第27期総会・講演会　2021年3月10日
Toward practical global field reconstruction from sparse sensors with deep learning 招待有り

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

DataLearning workshop of Data Science Institute, Imperial College London　2021年3月9日
Convolutional neural network based fluid data enrichment for numerical and experimental studies 招待有り

Kai Fukami, Kunihiko Taira, Masaki Morimoto, Koji Fukagata

SIAM Conference on Computational Science and Engineering (CSE21)　2021年3月1日
Autoencoder based extraction of low-dimensional manifolds in fluid flows 招待有り

Masaki Morimoto, Kai Fukami, Kazuto Hasegawa, Taichi Nakamura, Koji Fukagata

SIAM Conference on Computational Science and Engineering (CSE21)　2021年3月1日
The use of convolutional neural networks for PIV data augmentation

Masaki Morimoto, Kai Fukami, Hikaru Murakami, Koji Fukagata

14th World Congress on Computational Mechanics (WCCM) ECCOMAS Congress 2020　2021年1月11日
Low-dimensionalized flow representation with customized autoencoders

Kai Fukami, Takaaki Murata, Koji Fukagata

14th World Congress on Computational Mechanics (WCCM) ECCOMAS Congress 2020　2021年1月11日
解釈・汎化可能性の観点から見る流体問題への実用的な機械学習に向けて

森本将生, 深見開, 張凱, 深潟康二

第34回数値流体力学シンポジウム　2020年12月21日
機械学習を用いた2次元データから3次元流れ場の再構築

松尾光昭, 森本将生, 中村太一, 深見開, 深潟康二

第34回数値流体力学シンポジウム　2020年12月21日
チャネル乱流LESの壁モデル構築のための教師付き機械学習

守矢直樹, 深見開, 難波江佑介, 森本将生, 中村太一, 深潟康二

第34回数値流体力学シンポジウム　2020年12月21日
機械学習を用いたチャネル乱流における状態推定とそのセンサ情報ロバスト性

中村太一, 深見開, 深潟康二

第34回数値流体力学シンポジウム　2020年12月21日
Probabilistic neural network-based reduced-order surrogate for fluid flows

Kai Fukami, Romit Maulik, Nesar Ramachandra, Koji Fukagata, Kunihiko Taira

Machine Learning and the Physical Sciences, Workshop at the 34th Conference on Neural Information Processing Systems (NeurIPS)　2020年12月7日
CNN-AE/LSTM based turbulent flow forecast on low-dimensional latent space

Taichi Nakamura, Kai Fukami, Kazuto Hasegawa, Yusuke Nabae, Koji Fukagata

Machine Learning and the Physical Sciences, Workshop at the 34th Conference on Neural Information Processing Systems (NeurIPS)　2020年12月7日
Toward latent space based feedback control with CNN-SINDy reduced order modeling of unsteady fluid flows

Shoei Kanehira, Kai Fukami, Kazuto Hasegawa, Taichi Nakamura, Masaki Morimoto, Koji Fukagata

20th Workshop on Turbulence Control　2020年12月2日
Convolutional neural network based wall modeling for large eddy simulation in a turbulent channel flow

Naoki Moriya, Kai Fukami, Yusuke Nabae, Masaki Morimoto, Taichi Nakamura, Koji Fukagata

73rd Annual Meeting of the APS Division of Fluid Dynamics　2020年11月22日
Visualization for internal procedure of neural networks for fluid flows

Masaki Morimoto, Kai Fukami, Koji Fukagata

73rd Annual Meeting of the APS Division of Fluid Dynamics　2020年11月22日
Unstructured fluid flow data recovery using machine learning and Voronoi diagrams

Kai Fukami, Romit Maulik, Nesar Ramachandra, Kunihiko Taira, Koji Fukagata

73rd Annual Meeting of the APS Division of Fluid Dynamics　2020年11月22日
様々な流れ場に対するオートエンコーダを用いた低次元化の調査

森本将生, 深見開, 長谷川一登, 中村太一, 深潟康二

日本流体力学会年会2020　2020年9月18日
階層型CNNオートエンコーダを用いた流れ場の非線形モードの抽出

中村太一, 深見開, 深潟康二

日本流体力学会年会2020　2020年9月18日
ML-PIV: Convolutional neural network based velocity estimator for imperfect particle images

Masaki Morimoto, Kai Fukami, Koji Fukagata

18th Workshop on Turbulence Control　2020年6月26日
機械学習を用いたチャネル乱流の縮約モデリング

中村太一, 深見開, 長谷川一登, 村田高彬, 難波江佑介, 深潟康二

日本機械学会関東学生会第59回学生員卒業研究発表講演会　2020年3月16日
機械学習に基づく粒子画像流速測定法の提案

森本将生, 深見開, 長谷川一登, 村田高彬, 村上光, 深潟康二

日本機械学会関東学生会第59回学生員卒業研究発表講演会　2020年3月16日
A machine-learned turbulence generator for the channel flow

Kai Fukami, Yusuke Nabae, Ken Kawai, Koji Fukagata

2nd Pacific Rim Thermal Engineering Conference　2019年12月13日
オートエンコーダを用いたチャネル乱流の機械学習

中村太一, 深見開, 長谷川一登, 村田高彬, 難波江佑介, 深潟康二

第33回数値流体力学シンポジウム　2019年11月27日
機械学習に基づくデータ拡張によるPIVの精度向上

森本将生, 深見開, 長谷川一登, 村田高彬, 村上光, 深潟康二

第33回数値流体力学シンポジウム　2019年11月27日
Space-time recovery of high-resolution turbulent flow fields with machine learning based super resolution

Kai Fukami, Koji Fukagata, Kunihiko Taira

72nd Annual Meeting of the APS Division of Fluid Dynamics　2019年11月23日
Machine-learning-based super-resolution analysis for spatio-temporal data reconstruction of fluid flows

Kai Fukami, Koji Fukagata, Kunihiko Taira

17th Workshop on Turbulence Control　2019年11月14日
3次元チャネル乱流における機械学習超解像解析

深見開, 深潟康二, 平邦彦

日本機械学会第97期流体工学部門講演会　2019年11月7日
2次元流れへの機械学習超解像の応用

深見開, 深潟康二, 平邦彦

日本流体力学会年会2019　2019年9月13日
Super-resolution analysis with machine learning for low-resolution flow data

Kai Fukami, Koji Fukagata, Kunihiko Taira

11th International Symposium on Turbulence and Shear Flow Phenomena (TSFP11)　2019年7月30日
CNN/SINDy based reduced order modeling of unsteady flow fields

Takaaki Murata, Kai Fukami, Koji Fukagata

ASME-JSME-KSME Joint Fluids Engineering Conference 2019　2019年7月28日
Data-driven reduced order modeling of flows around two-dimensional bluff bodies flow of various shapes

Kazuto Hasegawa, Kai Fukami, Takaaki Murata, Koji Fukagata

ASME-JSME-KSME Joint Fluids Engineering Conference 2019　2019年7月28日
Image-based super-resolution analysis with machine learning for two-dimensional turbulence

Kai Fukami, Koji Fukagata, Kunihiko Taira

13th Southern California Flow Physics Symposium (SoCal Fluids XIII)　2019年4月20日
機械学習に基づく縮約モデルを用いた非定常流れの予測

長谷川一登, 深見開, 村田高彬, 深潟康二

日本機械学会関東学生会第58回学生員卒業研究発表講演会　2019年3月18日
Machine learning-based prediction of flows around a circular cylinder at different Reynolds numbers

Kazuto Hasegawa, Takaaki Murata, Kai Fukami, Koji Fukagata

15th Workshop on Turbulence Control　2019年1月22日
機械学習を用いた円柱周り流れのレイノルズ数依存性の予測

長谷川一登, 深見開, 村田高彬, 深潟康二

第32回数値流体力学シンポジウム　2018年12月11日
機械学習を用いた円柱周り流れにおける低次元モードの抽出と時間発展予測

村田高彬, 深見開, 深潟康二

第32回数値流体力学シンポジウム　2018年12月11日
Extraction of low dimensional modes in a flow around a circular cylinder and prediction of their temporal evolutions

Takaaki Murata, Kai Fukami, Koji Fukagata

14th Workshop on Turbulence Control　2018年10月17日
Introduction about Fluid dynamics & Machine Learning

Kai Fukami

13th Workshop on Turbulence Control　2018年5月25日
機械学習を用いた乱流生成器の提案

深見開, 河合謙, 深潟康二

日本機械学会関東学生会第57回学生員卒業研究発表講演会　2018年3月16日
Proposal of a turbulence generator using machine learning

Kai Fukami, Ken Kawai, Koji Fukagata

12th Workshop on Turbulence Control　2018年1月23日
Data-oriented analysis of extremely unsteady flows 招待有り

深見開

理化学研究所燃焼システム⽤次世代 CAE コンソーシアム　2025年4月25日
非定常流体解析のためのデータ指向型アプローチ招待有り

深見開

日本機械学会流体とインフォマティクスセミナー　2025年4月22日
Data-driven analysis, modeling, and control of extreme aerodynamic flows

Kunihiko Taira, Kai Fukami, Luke R. Smith, Yonghong Zhong, Alec J. Linot, Hiroto Odaka, Barbara Lopez-Doriga

The EuroMech Colloquium on Data-Driven Fluid Dynamics and the 2nd ERCOFTAC Workshop on Machine Learning for Fluid Dynamics　2025年4月2日
Large eddy simulation with a data-oriented wall model in turbulent channel flow

Naoki Moriya, Kai Fukami, Yusuke Nabae, Masaki Morimoto, Taichi Nakamura, Koji Fukagata

19th Workshop on Turbulence Control　2020年9月8日

︎全件表示 ︎最初の5件までを表示

担当経験のある科目(授業) 4

計画及び製図Ⅱ （航空）　東北大学
空気力学　東北大学
航空システム特論Ⅱ　東北大学
航空宇宙機学　東北大学

学術貢献活動 5

日本機械学会RC: 熱流体工学におけるデジタルツインのための先端的計測・シミュレーション・データ科学とその産業応用に関する研究分科会

2025年～継続中
A local executive committee member, IUTAM Symposium, GA22-04: Machine Learning in Diverse Fluid Mechanics

2025年5月15日～ 2025年5月17日

学術貢献活動種別: 学会・研究会等
3rd Data-Driven Fluid Dynamics Workshop

2025年3月17日～ 2025年3月19日

学術貢献活動種別: 大会・シンポジウム等
SIAM Conference on Computational Science and Engineering (CSE23), Mini-symposium ``Reduced-complexity models for fluid flows"

2023年2月～

学術貢献活動種別: 大会・シンポジウム等
SIAM Conference on Mathematics of Data Science (MDS22), Mini-symposium ``Data-driven analysis and modeling of unsteady flows"

2022年9月～

学術貢献活動種別: 大会・シンポジウム等