Feb, 2024

将机器学习与计算流体动力学结合，采用 OpenFOAM 和 SmartSim

PDF
TL;DR将机器学习与计算流体力学相结合，在大规模问题上实现 CFD+ML 算法的高效、可扩展解决方案，利用开源软件 OpenFOAM 和 SmartSim，通过 SmartSim 进行程序设计和 ML 与 CFD 客户端之间高度可扩展的数据交换，并展示了如何有效地将 OpenFOAM 的不同部分与机器学习相结合。
machine learningcomputational fluid dynamicscfd+ml algorithmsopenfoamsmartsim
发现论文，激发创造
  • 机器学习在计算流体力学中的应用

    机器学习在科学计算中已经成为核心技术，能够用于加速直接数值模拟，提高湍流封闭建模，并发展优化的降阶模型，在计算流体力学等领域有着广泛的应用和潜在影响，但也需要考虑一些潜在限制和问题。

    Oct, 2021

  • 用于耦合模拟与机器学习的原位框架及其在 CFD 中的应用

    这篇论文提出了一种能在异构集群上进行现场训练和推理工作流的机器学习框架，利用 SmartSim 分布式数据库解决了传统离线学习中 I/O 和存储限制的问题，并通过在 Polaris 超级计算机上的实验表明了其有效性。

    Jun, 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 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

  • 揭密 CFD 模拟机器学习代理的数据需求

    通过机器学习建立替代模型来加速计算流体力学模拟，使用温度预测在车舱内的分布作为案例，并探讨预测性能与训练数据集规模的关系，结果显示可以在大大减少训练数据集的情况下保证高精度和稳定性。

    May, 2022

  • 基于图神经网络的空气流模拟元学习

    本文提出了一种元学习方法，通过使用模型无关的元学习器，能够在仅处理少量特定任务的数据的情况下，提高通过机器学习方法解决计算流体动力学中复杂偏微分方程的模型在未知样本上的表现，同时保持效率。

    Jun, 2023

  • NeurIPS 2024 ML4CFD 比赛：利用机器学习进行风洞设计中的计算流体力学

    使用机器学习技术解决复杂物理问题的整合被认为是加速模拟的有希望途径，但评估基于机器学习的物理模型在工业环境中的应用存在挑战。本研究通过基于统一评估框架 Learning Industrial Physical Simulations (LIPS) 的竞赛，旨在推动解决物理挑战的创新机器学习方法的发展。该竞赛以气动外形设计模拟为核心任务，在我们提出的 AirfRANS 数据集上进行，评估各种标准，包括机器学习准确性、计算效率、Out-Of-Distribution 性能和遵循物理原则。值得注意的是，该竞赛是在优化物理模拟中计算效率和准确性之间权衡的 ML 驱动代理方法探索上的先导性工作。该竞赛在 Codabench 平台举行，为所有参与的解决方案提供在线培训和评估。

    Jun, 2024

  • 通过本地机器学习校正来改善 CFD 模拟

    本研究使用机器学习模型逆向预测了网格加粗导致的信息丢失程度，并将该信息加回到低分辨率模拟中以提高模拟质量，并演示了此方法在加速模拟过程中不会牺牲解的精度，从而使 CFD 的代价 / 精度权衡更有利。

    Apr, 2023

  • 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