Jun, 2023

C (NN) FD -- 用于涡轮机械 CFD 分析的深度学习框架

PDF
TL;DR本文介绍了一种基于深度学习的新型框架（C（NN）FD），实时预测燃气轮机中轴向压缩机制造和构建变化对整体性能的影响。通过预测流场并计算相应的整体性能，该方法具有普适性，而仅过滤 CFD 解决方案的相关部分使得该方法可扩展到工业应用。
deep learningcfdgas turbinesaxial compressorsefficiency
发现论文，激发创造
  • 多级轴流压缩机气动性能顶部间隙变化的深度学习预测

    应用深度学习方法进行物理模拟（如计算流体动力学）在工业上的实际应用受到限制。本文证明了一种基于深度学习框架的实时预测多级轴流压缩机在燃气涡轮中轴向间隙变化对空气动力性能的影响的方法。所提出的 C（NN）FD 架构可扩展到工业应用，并实时达到与 CFD 基准相当的准确性。部署的模型容易集成到燃气涡轮的制造和构建过程中，从而提供了评估性能影响并可能减少对昂贵物理测试的需求的机会。

    Oct, 2023

  • CFDNet: 一种基于深度学习的流体模拟加速器

    本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

    May, 2020

  • DeepCFD：利用深度卷积神经网络高效稳态层流近似计算

    提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

    Apr, 2020

  • 可微湍流 II

    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

  • 受限空气动力学数据集的快速神经网络预测

    本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

    Jan, 2019

  • 机器学习加速计算流体力学

    采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

    Jan, 2021

  • CFDBench：流体力学中机器学习方法的综合基准

    近年来，将深度学习应用于解决物理问题引起了广泛关注。本文构建了一个基准测试集 CFDBench，其中包含了计算流体动力学中的四个经典问题，并评估了现有方法在不同边界条件、流体物理性质和域几何形状下的泛化能力，用来促进找到具有强大学习能力的模型。

    Sep, 2023

  • 利用 OpenFOAM 嵌入式深度学习框架减少粗网格 CFD 模拟的空间离散误差

    我们提出了一种方法来减小粗网格计算流体力学（CFD）问题的空间离散化误差，通过利用高质量数据喂给深度学习模型来提高低分辨率模拟的质量。我们用前馈神经网络替换了对流项的默认差分方案，将速度从单元格中心插值到面值，以产生与细网格数据近似的速度。深度学习框架集成了开源 CFD 代码 OpenFOAM，形成了一个端到端可微化的模型。我们使用离散伴随代码版本自动微分了 CFD 物理学。我们提出了一种加速训练过程的 TensorFlow（Python）和 OpenFOAM（C++）之间的快速通信方法。我们将该模型应用于方形柱问题的流动中，将误差减小到了传统求解器的约 50％，在 x 和 y 速度分量上，网格粗糙度为 8 倍。由于架构利用了物理学的局部特征并为中期模拟生成稳定的预测，所以这种训练是可接受的时间和数据样本。

    May, 2024

  • 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

  • 结合可微偏微分方程解算器和图神经网络进行流体流动预测

    本文开发了一个混合（图）神经网络，利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合，在利用较粗略的问题表示进行实际 CFD 模拟的同时，通过结合实际 CFD 模拟器和图网络，我们展示了我们能够很好地推广到新的情况并受益于神经网络 CFD 预测的显着加速，同时还大大优于单独的粗略的 CFD 模拟。

    Jul, 2020