Apr, 2018

基于数据驱动的深度学习预测圆柱绕流不稳定流场

PDF
TL;DR本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数值模拟结果良好一致性的预测结果。
unsteady flow fieldscircular cylinderdeep learning networksconservation lawsprediction accuracy
发现论文，激发创造
  • 利用卷积神经网络预测空气动力学流场

    本文提出了一种基于卷积神经网络（CNN）的近似模型，用于流场预测，该模型可以有效地估算速度和压力场，实现了对空气动力学力和流场的研究。

    May, 2019

  • 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

  • 基于点云的深度学习框架在不规则几何形态流动场预测中的应用

    本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

    Oct, 2020

  • 用于翼型气动流混合雷诺平均 - 纳维尔 - 斯托克斯模拟的深度学习方法

    本研究探讨了深度学习模型在推断雷诺平均 Navier-Stokes 方程的解中精度的问题，着重于现代化的 U 形网络架构，并评估了大量经过训练的神经网络，特别是说明了训练数据大小和权重数量对解的精度的影响。结论表明，通过我们的最佳模型，我们对于一系列之前从未见过的翼型形状得到平均相对压力和速度误差小于 3％。此外，为确保可重复性，并为对物理问题深度学习方法感兴趣的研究人员提供一个起点，我们公开了所有源代码。虽然本研究集中于 RANS 解，但神经网络架构和学习设置非常通用，并适用于笛卡尔网格上广泛范围的偏微分方程边界值问题。

    Oct, 2018

  • 基于深度无监督学习的湍流生成技术在多种雷诺数条件下的应用

    本文利用生成对抗网络和循环神经网络结合的方式，通过无监督学习生成了一种可以模拟各种湍流雷诺数下流动的模拟数据，并与真实数据达成了一定程度上的拟合。

    Aug, 2019

  • DeepCFD：利用深度卷积神经网络高效稳态层流近似计算

    提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

    Apr, 2020

  • 经过深度强化学习训练的人工神经网络发现主动流控制策略

    本研究首次应用了一个通过深度强化学习进行训练的人工神经网络来执行主动流控，该网络成功地在研究卡曼涡街时减少了大约 8％的阻力，并使用小的质量流速。

    Aug, 2018

  • 基于物理约束深度学习的流体动力学代理建模

    本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

    Jun, 2019

  • 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

  • 潜空间物理学：迈向学习流体流动的时间演变

    本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

    Feb, 2018