Oct, 2023

SURF：基于 GNN 的流体动力学预测通用化评估

PDF
TL;DR我们提出了 SURF，这是一个用于测试学习图形化流体模拟器的推广能力的基准，通过深入研究两种最先进的图形化模型，我们在实证上证明了 SURF 的适用性，并揭示了它们的推广能力。
发现论文，激发创造
  • SURFSUP: 学习新颖表面的流体模拟

    我们提出了 SURFSUP 框架，该框架使用有符号距离函数隐式地表示对象，以更准确地模拟流体和对象之间的相互作用，并通过数据训练具有泛化的能力。

    Apr, 2023

  • 大型 CFD 网格上图机学习模型的多 GPU 训练方法

    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

  • 使用混合图网络模拟器学习大规模的地下模拟

    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

  • 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

    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

  • 基于物理约束深度学习的流体动力学代理建模

    本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

    Jun, 2019

  • 基于图神经网络学习的三维颗粒流动模拟

    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

  • 图卷积网络在多相流和多孔介质中的仿真中的应用

    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

  • 学习增强可扩展代理以用于网格物理学的科学计算算法

    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

  • 基于深度学习的参数化偏微分方程代理模型：通过图神经网络处理几何变化

    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

  • 利用图网络学习模拟复杂物理现象

    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