Feb, 2022

通过操作员学习加速液态金属喷射增材制造中的局部尺度模拟

PDF
TL;DR本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。
additive manufacturingnumerical simulationliquid metal jettingreduced-order modelsoperator learning
发现论文，激发创造
  • 基于 MOOSE 的添加制造模型的快速准确降阶建模与操作学习

    通过运用运算符学习方法构建 AM 模型的快速准确的降阶模型，以提高 AM 控制和优化过程的时间 / 成本，同时保持评估准确性。

    Aug, 2023

  • 基于 MOOSE 的先进制造模型的降阶建模与操作员学习

    通过深度强化学习技术在先进制造中，开发一个高精确性且快速运行的简化模型，以用于过程控制和优化，同时通过运算学习方法与传统深度神经网络简化模型进行性能比较。

    Aug, 2023

  • 氩气驱动熔融池动力的物理信息机器学习

    通过集成神经网络和物理规律，提供了一种物理信息机器学习（PIML）方法来预测金属添加制造中的熔池动力学，避免了求解高度非线性的 Navier-Stokes 方程，显著降低了计算成本。

    Jul, 2023

  • 多尺度神经算子：学习快速且与网格无关的 PDE 求解器

    利用神经算子的混合模型有效缩短了气候、化学或天体物理领域的数值模拟所需的计算成本、提升了模型预测精度、并提供了更灵活的可靠的参数化方法。

    Jul, 2022

  • 金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

    结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

    Jul, 2020

  • 通过主动学习进行预测性规模跨越模拟

    本文介绍了一种利用活跃学习方法进行局部精细模拟指导宏观流体动力学的新方法，以解决计算科学中存在的数值模拟需求和计算效率之间的挑战。

    Sep, 2022

  • 从数据中学习基于物理的 Hasegawa-Wakatani 方程的简化模型

    本文研究了非侵入式科学机器学习（SciML）约简模型（ROMs）在非线性、混沌等离子体湍流模拟中的构建。具体而言，我们提出使用算子推断（OpInf）从数据构建基于物理学的低成本 ROMs 来模拟该类模拟。通过对平面静电漂波等离子体湍流的 Hasegawa-Wakatani（HW）方程进行代表性示例，我们考虑了 Ledig 等的研究工作以构建准确的基于 OpInf 的 ROMs 潜力的全面认识。我们通过直接数值模拟和 OpInf ROMs 进行了两组实验，结果表明 OpInf ROMs 捕捉到了湍流动力学的重要特征，并推广到新的未见的初始条件，同时在单核性能方面将高准确度模型的计算时间缩短了五个数量级。在聚变研究的更广泛背景下，这表明非侵入式的 SciML ROMs 有潜力大大加速数值研究，最终可以实现优化聚变设备的设计和实时控制等任务。

    Jan, 2024

  • 基于图神经网络的空气流模拟元学习

    本文提出了一种元学习方法，通过使用模型无关的元学习器，能够在仅处理少量特定任务的数据的情况下，提高通过机器学习方法解决计算流体动力学中复杂偏微分方程的模型在未知样本上的表现，同时保持效率。

    Jun, 2023

  • 通过具有 U-Net 主干的混合自适应傅立叶神经运算器加速相场模拟

    我们提出了 U-AFNO，这是一种受神经运算器学习近期进展启发的机器学习模型，用于学习当前时间步长到后续时间步长的场的动态映射，通过提取和重构物理场中的局部特征，并通过傅立叶空间（AFNO）中的视觉变换器（ViT）传递潜在空间。我们使用 U-AFNO 模型准确预测液态金属腐蚀过程的场动力学，并展示了与高保真数值求解器相当的准确性，同时我们研究了采用 U-AFNO 与高保真时间步恢复相结合的混合模拟的机会，并且我们的 U-AFNO 模型在完全自回归设置中始终优于混合方案。

    Jun, 2024

  • 机器学习技术在空间非均匀系统的聚集动力学快速预测中的应用

    使用现代机器学习技术通过条件归一化流学习取代 Smoluchowski 方程的数值解，可以显著减少计算时间并与直接数值模拟结果较好地吻合。

    Dec, 2023