ICLRFeb, 2020

AdvectiveNet: 一种欧拉 - 拉格朗日流体储集器用于点云处理

PDF
TL;DR本文介绍了一种基于物理学的深度学习方法，用于处理点云数据，通过介绍欧拉 - 拉格朗日表示法，能够自然地演化和累积粒子功能，实现各种点云分类和分割问题的高效解决，所以本文将几何机器学习和物理模拟结合起来。
physics-inspired deep learningpoint cloud processingeulerian-lagrangian representationflow velocitiesgeometric machine learning
发现论文，激发创造
  • 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

  • 欧拉 - 拉格朗日动力学预测流体模型

    通过使用 Euler-Lagrange 双重循环网络（EuLagNet）来追踪自适应采样的关键粒子的运动并整合动力学信息，以指导未来的流体预测，本文提出了一种新的拉格朗日引导范式来处理复杂的流体动力学，实验证明 EuLagNet 在 2D 和 3D、模拟和现实世界流体中的三个挑战性流体预测任务中表现出色。

    Feb, 2024

  • 使用 E (3)- 等变图神经网络学习拉格朗日流体力学

    我们展示了等变图神经网络在工程系统机器学习领域具有优于非等变模型的学习精度，并且我们发现使用我们提出的历史嵌入方法来训练等变模型可以学习到更加准确的物理交互。

    May, 2023

  • 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

  • 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

  • DualFluidNet: 基于注意力的双管道网络用于准确和可推广的流固耦合仿真

    提出一种创新的基于注意力的双通道网络方法，通过使用双通道架构和注意力特征融合模块，实现对三维流体模拟的精确预测和流体 - 固体耦合问题的优化。

    Dec, 2023

  • 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

  • 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

  • 基于粒子的流体力学问题的 E ($3$) 等变图神经网络

    采用等变图神经网络比其非等变神经网络在动态交互模型中能够更准确地学习流体力学系统的运动，并发现等变模型可以对湍流流量进行粗粒化建模和参数推广。

    Mar, 2023

  • 学习 3D 点云中的场景流

    本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

    Jun, 2018