Dec, 2023

神经流动图上的流体模拟

PDF
TL;DR我们引入了神经流图（Neural Flow Maps）这种新颖的模拟方法，将隐式神经表示的新兴范式与基于流图理论的流体模拟相结合，实现了无粘流体现象的最先进模拟。我们设计了一种新颖的混合神经场表示，即空间稀疏神经场（Spatially Sparse Neural Fields，SSNF），它将小型神经网络与具有重叠、多分辨率和空间稀疏网格的金字塔结合起来，以高准确性紧凑地表示长期时空速度场。在这个神经速度缓冲区的基础上，我们以机械对称的方式计算长期的双向流图及其雅各布矩阵，从而显著提高了现有解决方案的准确性。这些长程双向流图实现了高精度的平流，低耗散，进而促进了具有高保真度的不可压缩流体模拟，从而展现了复杂的旋涡结构。我们展示了神经流体模拟在各种具有挑战性的模拟场景中的有效性，包括跳跃涡旋、碰撞涡旋、涡旋重连接，以及由移动障碍物和密度差异引起的涡旋生成。我们的实例展示了相对现有方法在能量守恒、视觉复杂度、与实验观察的一致性以及对详细旋涡结构的保护方面的性能提升。
neural flow mapsimplicit neural representationsfluid simulationspatially sparse neural fieldsincompressible flow simulations
发现论文，激发创造
  • 从视频中推断混合神经流体场

    我们提出了混合神经流体场（HyFluid）的神经方法，用于联合推断流体密度和速度场，以解决流体速度的视觉模糊性和湍流性所带来的挑战，并展示了该方法在恢复涡旋流细节方面的成功，为涉及三维不可压缩流体的各种学习和重建应用打开了可能性。

    Dec, 2023

  • 物理学知识指导的神经场方法用于稀疏数据下的烟雾重建

    本文提出了一种方法，通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化，实现通过 RGB 视频的高保真流体重构。

    Jun, 2022

  • 潜空间物理学：迈向学习流体流动的时间演变

    本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

    Feb, 2018

  • 基于物理约束的贝叶斯神经网络用于稀疏噪声流场重建

    本文提出了一种基于物理约束的贝叶斯深度学习方法，用于从稀疏、噪声较大的速度数据中重建流场，并估计重建流的不确定性，该方法在稀疏测量数据上训练贝叶斯深度神经网络来捕捉流场。与此同时，在无法获得测量数据的大量时空点上，对违反物理定律的惩罚将被响应。采用非参数变分推断方法，使得贝叶斯学习具有物理约束性。通过对具有合成测量数据的理想化血管流的几个测试案例研究表明，该方法的优点。

    Jan, 2020

  • NSFnets: 基于物理学知识的神经网络求解不可压 Navier-Stokes 方程组

    利用物理信息神经网络模拟不可压缩流，分别考虑速度 - 压力和涡量 - 速度两种形式的 Navier-Stokes 方程进行模拟。通过优化损失函数中的权重，改善 NSFnets 模拟的精度。

    Mar, 2020

  • Deep Fluids: 参数化流体模拟的生成网络

    本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型，采用卷积神经网络进行训练，通过学习数据的代表性特征，能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化，实现了全时刻无发散，能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为，可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩，重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间，压缩率达到 1300 倍以上。

    Jun, 2018

  • 使用卷积网络加速欧拉流体模拟

    这项工作提出了一种数据驱动的方法，结合深度学习和标准求解器的精度，通过解决大型稀疏线性系统来快速高度逼真地模拟不可压缩的欧拉方程，得到比最近提出的数据驱动方法更好的 2D 和 3D 模拟结果，并展示了良好的泛化性能。

    Jul, 2016

  • 贝叶斯反向 Navier-Stokes 问题：联合流场重构与参数学习

    我们提出并解决了一个贝叶斯逆纳维 - 斯托克斯（N-S）问题，通过同化流速测量数据来共同重建 3D 流场并学习未知的 N-S 参数，包括边界位置。我们在一个推理问题中使用通用的 N-S 问题，并使用高斯先验分布正则化其未知参数，以在一个简化的搜索空间中学习最可能的参数。最可能的流场重建是与学习的参数相对应的 N-S 解。我们在变分设置下开发了该方法，并使用 N-S 问题的一个稳定的 Nitsche schwach form，以控制所有的 N-S 参数。为了正则化推断出的几何形状，我们使用粘性符号距离场（vSDF）作为辅助变量，它是作为粘性阻尼 Eikonal 边界值问题的解给出的。我们设计了一个解决这个逆问题的算法，并使用一个相邻一致稳定的截取单元有限元方法在数值上实现它。然后，我们使用这种方法来重建通过主动脉弓物理模型的 3D 稳态层流的磁共振流速测量（流 - MRI）数据，包括两个不同雷诺数和信噪比（低 / 高）。我们发现该方法能够准确地 i）通过滤除噪声 / 伪影并恢复被噪声遮蔽的流动特征来重建低信噪比数据，并且 ii）能够在不过度拟合的情况下重现高信噪比数据。尽管我们开发的框架适用于复杂几何形状中的 3D 稳态层流，但它很容易扩展到时间相关的层流和雷诺平均的湍流流动，以及非牛顿流体（例如粘弹性流体）。

    Jun, 2024

  • 潜空间细分：流体流动的稳定可控时间预测

    本文提出了一种端到端训练神经网络体系结构，以具有高时态稳定性的方式强韧地预测流体流动的复杂动力学。该方法是基于卷积神经网络（CNN）的空间压缩与堆叠长期短期记忆（LSTM）层结构的时间预测网络，并采用新颖的潜在空间划分方法（LSS）。通过选择性地覆盖部分预测的潜在点空间，我们提出的方法能够强韧地预测复杂物理问题的长期序列，并突出空间压缩网络对潜在空间创建的循环训练的好处。

    Mar, 2020

  • 可微分模拟的神经流体系统设计与控制

    我们提出了一个新的框架，用于探索具有动态固体边界的复杂流体系统的神经控制和设计。通过包含可微分的流体模拟器到学习框架中，我们展示了在这些基准任务中超越无梯度解决方案的成功设计、控制和学习结果。

    May, 2024