利用深度学习解释壁界面湍流
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
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
本文使用数据驱动的方法,应用前沿的深度学习技术模拟三维湍流,考虑流体的物理约束,并使用向量量化自编码器等方法降低数据维度,应用Transformer网络预测流体运动趋势,所得结果优于其他网络,但不能完美还原小幅动态。
Dec, 2021
利用可微流体模拟器和深度学习模型,开发了一种将深度学习模型整合到通用有限元数值方案中以求解Naiver-Stokes方程的框架,进而实现对子网尺度闭包的学习,该方法在流过倒角阶梯的多个实现中展示了与传统的大涡模拟相当的准确性,并且在相当于10倍速度提升的更细网格上进行测试。
Jul, 2023
利用基于扩散的生成模型学习湍流涡度轮廓的分布,生成与训练数据集不同的多样化湍流解,并分析新湍流轮廓的统计缩放特性、能量功率谱、速度概率分布函数和局部能量耗散矩。通过与已建立的湍流特性的一致性,该模型证明了其捕捉实际湍流关键特征的能力。
Nov, 2023
本研究通过应用时间序列预测到流体动力学问题中,测试了基于深度学习的三种自回归模型,其中一个是与深度学习相结合的混合模型。研究发现,混合模型在具有湍流特性的实验数据中产生更可靠的预测,因为它借助模态分解从物理学角度提取了物理特征,从而实现了对流体动力学的预测。
Apr, 2024
本研究针对壁面切应力动态量化的难题,提出了一种深度学习框架,通过解析湍流壁面附近的速度场,生成与相同空间分辨率和区域大小相对应的壁面切应力场。这一方法的关键在于其能够实现零样本应用于实验数据,从而为提取实验壁面切应力信息奠定基础,推动相关应用的发展。
Sep, 2024
本研究针对流体力学领域中解释数据驱动模型时存在的可解释性缺失问题,提出了一种加性特征归因方法,旨在通过线性模型连接输入特征与模型预测。文章的主要发现是,采用这种方法能够为流体力学中的深度学习模型提供重要的可解释性,促进可解释且符合物理规律的模型的应用。
Sep, 2024