May, 2019

利用卷积神经网络预测空气动力学流场

PDF
TL;DR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。
convolutional neural networksflow field predictionsreynolds averaged navier-stokesvelocitypressure field
发现论文，激发创造
  • 卷积神经网络在空气动力学中的应用：预测翼型升力系数

    本文探究了卷积神经网络技术在空气动力元模型任务中的适应性，由此为多变的流动条件和物体几何形状开发了合适的 CNN 架构，并比较了多层感知器的训练结果，发现新提出的元模型概念具有与多层感知器相当的学习能力，尤其是我们的 CNN 模型在几何表示方面有较高的预测准确性。

    Dec, 2017

  • 基于数据驱动的深度学习预测圆柱绕流不稳定流场

    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。

    Apr, 2018

  • 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

  • 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

  • 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

  • 受限空气动力学数据集的快速神经网络预测

    本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

    Jan, 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

  • 利用物理感知卷积神经网络学习二维不可压缩纳维 - 斯托克斯方程的解算器

    通过结合 U-Net-like CNN 和有限差分法领域的已建立的离散化方法，我们介绍了一种在不同几何形状中学习稳态 Navier-Stokes 方程近似解的技术，无需参数化。我们将基于物理的 CNN 的结果与基于数据的方法进行了比较，并展示了将我们的方法与基于数据的方法相结合的性能。

    Aug, 2023

  • 利用图神经网络在非结构化网格中识别涡旋

    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

  • 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