受限空气动力学数据集的快速神经网络预测
本文介绍了将 CFD 和深度学习结合的 CFDNet 框架,用于加速雷诺平均纳维 - 斯托克斯模拟的收敛,加速效果达到 1.9-7.4 倍。
May, 2020
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
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
该研究提出了一种基于图神经网络和专家指导的机器学习方案,用于自动生成飞机模型的计算流体动力学网格,通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理,实现了避免精细度不足所导致的计算流体动力学网格生成失败,并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性,使求解器能够收敛并产生准确结果。此外,通过与自适应重网格方法的对比,我们发现我们的方法在仿真过程中的速度是后者的 5 倍。
Aug, 2023
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
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
本文开发了一个混合(图)神经网络,利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合,在利用较粗略的问题表示进行实际 CFD 模拟的同时,通过结合实际 CFD 模拟器和图网络,我们展示了我们能够很好地推广到新的情况并受益于神经网络 CFD 预测的显着加速,同时还大大优于单独的粗略的 CFD 模拟。
Jul, 2020