涡激振动的深度学习
提出一种物理学深度学习框架(隐藏流体力学),能够编码控制流动的重要物理定律(即纳维-斯托克斯方程),并具有高度灵活性来选择感兴趣的时空域进行数据采集以及后续训练和预测,准确预测二维和三维流体中压力和速度场等量化信息。
Aug, 2018
提出一种新的可微旋涡质点方法,以从单个视频中推断和预测流体动力学,通过学习可变换的旋涡到速度动态映射将复杂的流体特征有效捕获在物理约束的低维空间中,并建立一个适合输入视频的流体模拟器来提供稳健,长期的未来预测。
Jan, 2023
提出了基于卷积自编码器的神经网络模型FR3D,用于流体动力学中三维流场的重构,可推广到马鞍形的平面之外,能够以很少的误差重构出压力和速度组成,且能准确估计Q-criterion场以及提取几何物体的升力和阻力。
Feb, 2023
该论文研究物理驱动的神经网络(PINN)在预测不稳定流(特别是涡 shedding)时的局限性,表明PINN方法在数值上具有色散和扩散特性,需要更多的理论工作来分析其数值特性。
May, 2023
近年来,将深度学习应用于解决物理问题引起了广泛关注。本文构建了一个基准测试集CFDBench,其中包含了计算流体动力学中的四个经典问题,并评估了现有方法在不同边界条件、流体物理性质和域几何形状下的泛化能力,用来促进找到具有强大学习能力的模型。
Sep, 2023
使用基于图卷积神经网络(GCN)和U-Net架构的模型,在非结构网格上识别计算流体动力学(CFD)结果中的涡旋,并通过优化输入集、对比卷积神经网络模型以及评估GCN模型的性能来验证方法的适用性。
Nov, 2023
我们提出了混合神经流体场(HyFluid)的神经方法,用于联合推断流体密度和速度场,以解决流体速度的视觉模糊性和湍流性所带来的挑战,并展示了该方法在恢复涡旋流细节方面的成功,为涉及三维不可压缩流体的各种学习和重建应用打开了可能性。
Dec, 2023
我们引入了神经流图(Neural Flow Maps)这种新颖的模拟方法,将隐式神经表示的新兴范式与基于流图理论的流体模拟相结合,实现了无粘流体现象的最先进模拟。我们设计了一种新颖的混合神经场表示,即空间稀疏神经场(Spatially Sparse Neural Fields,SSNF),它将小型神经网络与具有重叠、多分辨率和空间稀疏网格的金字塔结合起来,以高准确性紧凑地表示长期时空速度场。在这个神经速度缓冲区的基础上,我们以机械对称的方式计算长期的双向流图及其雅各布矩阵,从而显著提高了现有解决方案的准确性。这些长程双向流图实现了高精度的平流,低耗散,进而促进了具有高保真度的不可压缩流体模拟,从而展现了复杂的旋涡结构。我们展示了神经流体模拟在各种具有挑战性的模拟场景中的有效性,包括跳跃涡旋、碰撞涡旋、涡旋重连接,以及由移动障碍物和密度差异引起的涡旋生成。我们的实例展示了相对现有方法在能量守恒、视觉复杂度、与实验观察的一致性以及对详细旋涡结构的保护方面的性能提升。
Dec, 2023