基于图神经网络的网格模拟框架
使用图神经网络开发了基于 GNN 的 granular flows 模拟器(GNS),成功复现了各种纵横比的柱体崩塌的整体行为,并且计算速度比高保真数值模拟器快 300 倍。
Nov, 2023
该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器,称为 GNS。该模型在训练中考虑了不同颗粒轨迹,并且在测试中展现了优秀的性能,可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。
May, 2023
研究了图神经网络(GNN)替代物在电网日常运营中基于蒙特卡罗(MC)取样的风险量化中的实用性。通过使用监督学习训练 GNN 替代物,它们被用于获取感兴趣的数量(运行储备、输电线路流量)的蒙特卡罗(MC)样本,给定(提前几小时的)概率性风力发电和负荷预测。评估了 GNN 替代物的实用性,并通过比较基于 OPF 和基于 GNN 的网格可靠性和风险来证明,GNN 替代物能够准确预测(总线级、支路级和系统级)电网状态,并能够快速而准确地量化电网的运营风险。因此,该文章利用 GNN 发展了多种工具,用于使用 GNN 在现实世界中快速评估电网的可靠性和风险。
Nov, 2023
利用基于 Graph Neural Network (GNNs) 的模型,结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆(GConvLSTM)操作复杂的非结构化网格,在模拟地下复杂断层和裂缝的 CO2 地质储存过程中,准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。
Jun, 2023
基于图神经网络的代理模型提供了可解释且高效的解决方案,用于实时推理城市排水网络的水力预测问题,并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中,相较于基于神经网络的模型和基于物理模型,该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。
Apr, 2024
介绍了一种名为 Hybrid Graph Network Simulator(HGNS)的数据驱动替代模型,该模型可在学习 3D 地下流体流动的同时准确地预测流体流动。与以往的替代模型相比,HGNS 可以缩短推理时间并减少长期预测误差。
Jun, 2022
我们提出了基于图神经网络的代理模型 GNN-Surrogate 来探索海洋气候模拟的参数空间,其可以准确高效地预测模拟结果并帮助科学家通过用户指定的可视化映射探索模拟参数空间。
Feb, 2022
通过图网络代理模型 (GNSM) 将流动模型转换为计算图,以将井位和控制优化。通过单相稳态压力解作为特征,在大量测试案例中,训练有素的 GNSM 能够提供 1-2% 的压力和饱和度的准确预测,并具有 36 倍的运行时间加速度,适用于地质模型的稳健优化。
Dec, 2023
本研究提出了一种基于图神经网络的模拟器框架,通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象,模型从单一粒子预测到测试时的数千个粒子,并且能够处理不同的初始条件和数万个时间步骤,具有较强的可靠性与预测能力。
Feb, 2020
通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息,并使用改进的消息传递算法更好地表示物理网络中的依赖关系,我们提出了一种基于图神经网络的解决方案,旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。
Oct, 2023