Nov, 2023

利用图神经网络在非结构化网格中识别涡旋

PDF
TL;DR使用基于图卷积神经网络（GCN）和 U-Net 架构的模型，在非结构网格上识别计算流体动力学（CFD）结果中的涡旋，并通过优化输入集、对比卷积神经网络模型以及评估 GCN 模型的性能来验证方法的适用性。
deep learningcomputational fluid dynamicsconvolutional neural networkgraph neural networkvortex
发现论文，激发创造
  • 3D 流场分割和分类的新型深度学习方法

    基于三维流场理论，提出了一种基于局部速度信息的分割标准和基于局部涡量与涡尾之间关系的分类标准的流场分割及分类深度学习方法，能更准确地识别涡旋结构，并在准确分类涡尾类型的同时，大幅度减少时间消耗。

    May, 2023

  • 增强图形 U-Nets 用于不受网格维度和时空流预测

    该研究致力于克服基于卷积神经网络的传统深度学习方法在复杂几何形状和非结构化网格方面的局限性，提出了改进图形 U-Net 体系结构的新方法，包括高斯混合模型卷积算子和噪声注入方法，这些方法使得在不同网格配置上能够准确预测流场的时空变化。研究还探讨了图形 U-Net 在转导学习和归纳学习方面的应用，并发现无池化操作的图形 U-Net 在归纳学习中表现更好，而归一化技术的选择对图形 U-Net 的性能也有显著影响。

    Jun, 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

  • 基于图神经网络的增强式专家引导网格生成的一致性预测

    该研究提出了一种基于图神经网络和专家指导的机器学习方案，用于自动生成飞机模型的计算流体动力学网格，通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理，实现了避免精细度不足所导致的计算流体动力学网格生成失败，并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性，使求解器能够收敛并产生准确结果。此外，通过与自适应重网格方法的对比，我们发现我们的方法在仿真过程中的速度是后者的 5 倍。

    Aug, 2023

  • 利用卷积神经网络预测空气动力学流场

    本文提出了一种基于卷积神经网络（CNN）的近似模型，用于流场预测，该模型可以有效地估算速度和压力场，实现了对空气动力学力和流场的研究。

    May, 2019

  • 使用自编码图卷积网络预测非均匀非结构化网格中的超音速流场

    该研究聚焦于解决非均匀非结构网格在计算流体力学中的挑战，通过利用图卷积网络和自编码图卷积网络结构生成降阶模型，有效提高了预测准确性和网络的能力。验证实验表明该方法在稳态分布量的精确重构方面可靠且具有多样性。

    May, 2024

  • 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

  • 基于数据驱动的深度学习预测圆柱绕流不稳定流场

    本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数值模拟结果良好一致性的预测结果。

    Apr, 2018

  • 具有图卷积神经网络的稳健空间滤波

    本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

    Mar, 2017

  • 利用图神经网络增强 CFD 数据同化

    我们提出了一种新颖的机器学习方法，用于在流体力学中应用数据同化，基于反问题优化与图神经网络模型。

    Nov, 2023