GNN-Surrogate: 用于探索非结构化网格海洋模拟参数空间的分层自适应图神经网络

Feb, 2022

GNN-Surrogate: A Hierarchical and Adaptive Graph Neural Network for Parameter Space Exploration of Unstructured-Mesh Ocean Simulations

Neng Shi, Jiayi Xu, Skylar W. Wurster, Hanqi Guo, Jonathan Woodring...

TL;DR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。

Abstract

We propose gnn-surrogate, a graph neural network-based surrogate model to explore the parameter space of →

发现论文，激发创造

基于图神经网络的代理模型在模拟时变偏微分方程方面具有计算效率和泛化能力，并有效替代传统的复杂求解器。

Aug, 2023

本文讲解了如何通过域分解方案将 MeshGraphNets（MGN）应用于具有百万节点的 3D 网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高 MGN 的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。

Apr, 2023

本文提出了一种图神经网络框架来加速油气井寻优的过程，训练经过优化的 6000 个样本后，我们的 GNN 模型可以代替模拟运行，并在油气和碳封存等领域的井下优化中展示出巨大的潜力。

Feb, 2022

提出用于 3D 深度学习辅助建模的贝叶斯图神经网络框架，通过直接从 CAD 中学习几何特征进行工程性能预测，通过贝叶斯优化确定网格元素的最佳大小，实现高准确性的辅助模型。

Jun, 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

建模对理解温室气体、全球变暖和冰盖融化对海洋的影响至关重要。神经网络模型精确预测了理想化海洋模型的一步前向动力学，并计算了参数敏感性。

Nov, 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

基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，并在不规则域几何和非结构化网格上具有良好的泛化能力。

Jul, 2023

提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。

Oct, 2023

基于网格的数值求解器，代理模型，预测 - 校正方法，基于图机器学习，分布式模型。

Jul, 2023