Feb, 2024

利用深度学习修复计算流体力学数据

PDF
TL;DR流体数据补全是一项具有潜在利益的研究问题，涉及实验流体力学和计算流体力学。我们通过利用计算机视觉的最新进展和矢量量化技术，通过一个两阶段的学习过程将完整和不完整的流体数据空间映射到离散值的低维表示，以解决流体数据补全问题的挑战。通过在不同遮挡设置下使用 Kolmogorov 流体数据（雷诺数：1000）的实验结果验证，我们的提议模型在点逐点重建准确性以及湍流能谱和涡度分布方面始终优于基准模型。
fluid data completionexperimental fluid dynamicscomputational fluid dynamicsvector quantization techniquekolmogorov flow data
发现论文，激发创造
  • 深度流引导视频修复

    本文提出了一种新颖的视频修复方法，使用 Deep Flow Completion 网络综合光流场来引导像素填充，从而保证了视频内容的时空连贯性，并在 DAVIS 和 YouTube-VOS 数据集上取得了最优的修复质量和速度。

    May, 2019

  • 神经显式扩散模型用于光流场修复

    将模型驱动和数据驱动方法相结合，通过组合显式基于偏微分方程的方法与卷积神经网络，实现了光流场修复任务的联合架构，表现优于显式基线、生成对抗网络和概率扩散基线，成为光流场修复领域的最新技术。

    May, 2024

  • 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

  • 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

  • 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

  • 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 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

  • 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

  • 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