Jan, 2024

使用可微分图神经网络模拟器的颗粒流反演分析

PDF
TL;DR通过将系统表示为图并给出当前状态，我们提出了一种新颖的可微图神经网络模拟器（GNS），它通过结合图神经网络的反向模式自动微分和基于梯度的优化来解决逆问题，该可微 GNS 能够超出训练数据的优化能力，我们通过评估材料参数和边界条件以及设计挡板位置来限制滑坡，对单参数和多参数优化问题展示了我们方法的有效性。
granular flowsinverse problemsmachine learning-based surrogate modelsgraph neural network simulatordifferentiable gns
发现论文，激发创造
  • 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

  • 基于可微分图网络的加速粒子和流体模拟解决前向和逆向问题

    利用物理嵌入可微分图网络模拟器（GNS）来加速颗粒和流体模拟，解决正向和反向问题，并通过 GNS / 材料点方法（MPM）提出了一种新的混合方法，以加速正向模拟并解决反向问题。

    Sep, 2023

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 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

  • 潜在的任务特定图网络模拟器

    利用最近的贝叶斯元学习方法将网格模拟作为元学习问题来处理，通过利用上下文数据和处理不确定性来提高图网络模拟器对新场景的适应性，结合运动原语实现高效的全轨迹预测，并验证了该方法的有效性。

    Nov, 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

  • 图网络代理模型在地下流动优化中的应用

    通过图网络代理模型 (GNSM) 将流动模型转换为计算图，以将井位和控制优化。通过单相稳态压力解作为特征，在大量测试案例中，训练有素的 GNSM 能够提供 1-2% 的压力和饱和度的准确预测，并具有 36 倍的运行时间加速度，适用于地质模型的稳健优化。

    Dec, 2023

  • 基于图神经网络的网格模拟框架

    本文提出了一种图神经网络框架来加速油气井寻优的过程，训练经过优化的 6000 个样本后，我们的 GNN 模型可以代替模拟运行，并在油气和碳封存等领域的井下优化中展示出巨大的潜力。

    Feb, 2022

  • 扩散生成逆向设计

    逆向设计问题可以通过学习仿真、图神经网络以及去噪扩散模型等方法得到有效解决，可用于流体动力学设计挑战中减少对模拟器的调用次数。

    Sep, 2023

  • 基于图神经网络的城市排水网络实时水力预测的代理模型

    基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

    Apr, 2024