Feb, 2024

JAX-Fluids 2.0：面向可区分 CFD 的高性能计算压缩性两相流

PDF
TL;DR我们介绍了第二个版本的基于 Python 的完全可微分计算流体力学求解器 JAX-Fluids，该求解器设计用于可压缩的单相和两相流。我们通过引入能够在 GPU 和 TPU 上高效扩展的 JAX 原始操作并展示稳定的自动微分梯度计算， 实现了高性能计算能力的并行化策略。新版本还提供了增强的两相流模拟能力、正性保持限制器以增加鲁棒性、支持拉伸笛卡尔网格、重构的输入 / 输出处理、全面的后处理例程，以及最新的高阶数值离散方案。我们通过模拟单相和两相流的结果验证了新增的数值模型，包括湍流边界层和通道流、气 - 氦冲击泡交互和气 - 水冲击滴交互。
machine learning-assisted computational fluid dynamicsjax-fluidshigh-performance computingtwo-phase flow modelingnumerical discretization schemes
发现论文，激发创造
  • JAX-SPH：一个可微分的平滑粒子流体动力学框架

    我们提出了一种适用于深度学习框架的拉格朗日流体模拟器 JAX-SPH，该模拟器基于 JAX 实现，并扩展了 LagrangeBench 项目中的代码，包括进一步的 SPH 算法、代码重构为 Python 库、求解器梯度验证，以及展示了求解逆问题和应用于 Solver-in-the-Loop 的梯度的实用性。

    Mar, 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

  • 机器学习加速计算流体力学

    采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

    Jan, 2021

  • 利用机器学习库在结构化网格上解决离散多相流方程并捕获界面

    利用 AI4PDEs 方法解决多相流动方程与界面捕捉问题，通过神经网络求解数值离散化的偏微分方程，对多相流动进行建模，并在实验数据和文献结果上取得良好的比较，展示了 AI4PDEs 方法在有限元离散化的多相流动求解上的优势。

    Jan, 2024

  • 结合可微偏微分方程解算器和图神经网络进行流体流动预测

    本文开发了一个混合（图）神经网络，利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合，在利用较粗略的问题表示进行实际 CFD 模拟的同时，通过结合实际 CFD 模拟器和图网络，我们展示了我们能够很好地推广到新的情况并受益于神经网络 CFD 预测的显着加速，同时还大大优于单独的粗略的 CFD 模拟。

    Jul, 2020

  • 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

  • 二维湍流中通过被动标量传输学习离散化

    使用机器学习方法来学习保持高准确性的数值离散化，适用于 t 字形湍流下的被动标量平流，与传统高阶通量限制平流求解器保持相同的精度，但在每个维度使用 4 倍较低的网格分辨率，并能通过卷积滤波器在 CPU 和加速器上实现接近峰值硬件利用率。

    Apr, 2020

  • DeepCFD：利用深度卷积神经网络高效稳态层流近似计算

    提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

    Apr, 2020

  • 利用人工智能库进行不可压缩计算流体动力学

    在此工作中，我们提出一种新的方法，通过改变人工智能方法（例如卷积神经网络）以解决常规偏微分方程的标准操作，将人工智能软件和硬件的能力带入数值建模领域，从而在高性能、体系结构无关性和使用便捷性方面在数值解偏微分方程领域打开了新的研究途径。

    Feb, 2024

  • CFDNet: 一种基于深度学习的流体模拟加速器

    本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

    May, 2020