Apr, 2017

利用神经网络建模液体飞溅

PDF
TL;DR本文提出了一种新的基于数据驱动的方法，使用神经网络模拟液体模拟中的小尺度跳跃细节。使用物理参数化高分辨率模拟的训练数据，利用神经网络模拟分类器和速度调节器来回归跳跃形成。通过使用异方差模型对速度进行修改，我们证明了此方法在提高视觉保真度方面具有显著的效果，比更细的离散化更高效地产生跳跃细节。
liquid simulationneural networkssplash detailvelocity modifiervisual fidelity
发现论文，激发创造
  • 利用变形感知神经网络生成液体模拟

    提出了一种新颖的变形感知神经网络方法，用于学习密集体积变形场的加权合成，特别针对液体模拟的时空表征，成功地实现了实时流体效果的移动端交互。

    Apr, 2017

  • Deep Fluids: 参数化流体模拟的生成网络

    本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型，采用卷积神经网络进行训练，通过学习数据的代表性特征，能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化，实现了全时刻无发散，能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为，可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩，重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间，压缩率达到 1300 倍以上。

    Jun, 2018

  • 壳模型湍流模拟的自动耗散控制

    通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

    Jan, 2022

  • 用高斯粒子映射实现现实世界飞行导航转换的液态网络

    通过将高斯投影与四旋翼飞行动态相结合构建模拟器，并使用 Liquid 神经网络训练鲁棒的导航策略，我们展示了单一模拟场景中学习到的导航技能能够直接转移到真实世界，且在分布和物理环境变化剧烈的情况下，性能能够得到保持。

    Jun, 2024

  • 关于液体知觉和推理的学习

    应用深度学习技术，本文评估了三个模型：单帧网络、多帧网络和 LSTM 循环网络，在检测和跟踪液体方面，实验结果表明 LSTM 网络优于其他两个模型，这表明 LSTM 网络在使机器人具备处理液体的能力上具有潜在的关键作用。

    Aug, 2016

  • 基于粒子驱动神经辐射场的流体动力学建模

    本研究提出了一种名为 NeuroFluid 的深度学习算法，可对复杂粒子系统（如流体）的物理动态进行建模，并能够通过训练两个模型来实现无监督学习粒子流体动力学，包括粒子驱动神经渲染器和物理转换模型。结果表明，该算法可以合理地估计不同初始形状，粘度和密度的流体的基本物理特性。

    Mar, 2022

  • 流体的拉格朗日神经风格转移

    本文提出了一种基于神经风格迁移的方法，从图像到 3D 流体的 Lagrangian 视点实现流体模拟的形状，运动和外观的艺术化控制，使用基于粒子的风格转移具有独特优势，同时确保了时间上的一致性和提高了其结果的质量，此外，Lagrangian 表示法提高了艺术控制并实现了多流体风格化，通用性使方法同样适用于烟雾和液体的风格化。

    May, 2020

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • 使用卷积网络加速欧拉流体模拟

    这项工作提出了一种数据驱动的方法，结合深度学习和标准求解器的精度，通过解决大型稀疏线性系统来快速高度逼真地模拟不可压缩的欧拉方程，得到比最近提出的数据驱动方法更好的 2D 和 3D 模拟结果，并展示了良好的泛化性能。

    Jul, 2016

  • 机器学习加速计算流体力学

    采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

    Jan, 2021