基于有限体积特征、全局几何表示和残差训练的深度学习 CFD 仿真

Nov, 2023

基于有限体积特征、全局几何表示和残差训练的深度学习 CFD 仿真

Finite Volume Features, Global Geometry Representations, and Residual Training for Deep Learning-based CFD Simulation

Loh Sher En Jessica, Naheed Anjum Arafat, Wei Xian Lim, Wai Lee Chan, Adams Wai Kin Kong

TL;DR本研究拟定了两种新的几何表示方法：最短向量（SV）和方向综合距离（DID），并提出了有限体积特征（FVF）和剩余训练的使用，可以有效地降低当前基于图神经网络的方法的预测误差高达 41％。

Abstract

computational fluid dynamics (CFD) simulation is an irreplaceable modelling step in many engineering designs, but it is often computationally expensive. Some graph neural network (GNN)-based CFD methods have been

computational fluid dynamics graph neural network geometric representations finite volume method residual training

发现论文，激发创造

用有限差分信息图网络求解块结构网格上的恒定不可压缩流

使用图网络和图卷积有限差分方法来解决参数化设置下具有复杂流场的流动问题，与传统计算流体力学求解器相比，该方法在训练效率和准确性上都有所提升。

Jun, 2024

有限体积神经网络：地下污染物传输建模

本文介绍了一种名为有限体积神经网络（FINN）的新方法，它采用了有限体积方法的数值结构来处理偏微分方程，同时容纳可学习参数。FINN 方法不仅能更好地处理控制体之间的通量，从而正确处理不同类型的数值边界条件，并且还能够明确提取和学习本构关系，同时在合成数据集和实际的稀疏实验数据上表现出优秀的泛化能力，因此作为一种数据驱动的建模工具具有相关性。

Apr, 2021

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

神经向量场：显式学习的隐式表示

本文提出了一种新的 3D 表示方法，神经向量场（NVF），该方法充分利用了显式学习过程和隐式函数表示的强大表示能力，通过从查询向表面预测位移并使用矢量场对形状进行建模来打破分辨率和拓扑中的障碍，进而提出了一个基于矢量量化的形状代码本学习方法，最终实现了在不同的评价场景下优于最先进方法的结果，包括完整及非完整形状的构建、类别特定和类别不可知构建、类别未知构建和跨域构建。

Mar, 2023

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

利用图神经网络在非结构化网格中识别涡旋

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。

Nov, 2023

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 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

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

C (NN) FD -- 用于涡轮机械 CFD 分析的深度学习框架

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。

Jun, 2023