May, 2024

物理增强的神经算子用于模拟湍流输运

PDF
TL;DR精确模拟湍流流动对于气候科学、淡水科学和能源高效制造等众多科学和工程领域具有巨大重要性。本文提出了一种物理增强型神经算子（PENO）的模型，通过将偏微分方程（PDEs）的物理知识纳入模型，准确建模流动动力学，进而通过自增机制来减少长期模拟中所积累的误差。该方法在两组不同的 3D 湍流流动数据上进行了评估，展示了该模型重构高分辨率的 DNS 数据、保持流动传输的固有物理特性，并能在不同分辨率下生成流动模拟。此外，针对多个由不同 PDEs 生成的 2D 涡度流序列的实验结果突出了所提出方法的可转移性和普适性，证实了其在多种需要进行大量模拟的真实场景下的适用性。
turbulent flowsdirect numerical simulationmachine learning modelsphysics-enhanced neural operatorlong-term simulations
发现论文，激发创造
  • 利用物理感知时空动态和测试时间细化重建湍流流场

    本研究提出了一种新的物理引导神经网络方法，用于从低分辨率大涡模拟数据重建高分辨率的直接数值模拟数据，并在两种不同类型的湍流数据上得到了优越的结果。

    Apr, 2023

  • 利用神经偏微分方程代理加速两相流模拟

    通过研究和扩展神经 PDE 求解器，本文探讨了将模拟应用于两相流问题和孔隙中的油排出模拟方面的方法。我们在基线方法的基础上引入了空间条件、边界周期性和近似质量守恒等特征，并对其进行了量化评估和削弱研究，发现这些方法可以准确地模拟油滴动力学，且速度提升高达三个数量级，同时引入的不同几何形状构成了一个更具挑战性的设置。

    May, 2024

  • 通过通量函数算符学习多孔介质中多相流传输的泛解决方案

    本文介绍了一种新的深度学习算法 ——PI-DeepONets 用于求解 Buckley-Leverett 偏微分方程并在多个科学和工程领域实现了四个数量级的速度提升，为传输问题研究提供了有前途的工具。

    Jul, 2023

  • 反思材料模拟：将直接数值模拟与神经算子相融合

    基于数值求解器和神经算子的新方法可加速直接数值模拟，具有高达 16.5 倍的加速效果，并可应用于多种演化模型。

    Dec, 2023

  • 基于神经算子的湍流长期预测

    该研究探讨了神经算子在预测紊流方面的应用，重点研究了傅立叶神经算子（FNO）模型。旨在利用机器学习开发用于紊流模拟的降阶 / 替代模型。通过分析不同的模型配置，发现 U-NET 结构（UNO 和 U-FNET）在准确性和稳定性方面优于标准的 FNO。U-FNET 在预测更高雷诺数下的湍流表现出色。梯度和稳定性损失等正则化项对于稳定而准确的预测至关重要。该研究强调了改进流体流动预测深度学习模型评估指标的必要性。进一步研究应该关注处理复杂流动和实际基准评估指标的模型。

    Jul, 2023

  • 基于 RANS-PINN 的模拟替代模型用于预测湍流流场

    本文介绍了一种修改过的 PINN 框架 RANS-PINN，用于在高雷诺数的湍流流动条件下预测流场（即速度和压力），并采用一种新的训练方法来确保损失函数各组成部分的有效初始化和平衡。

    Jun, 2023

  • 频谱精化：精调用于湍流流动的准确时空神经算子

    在这篇论文中，我们提出了一种新的空时傅里叶神经算子 (Spatiotemporal Fourier Neural Operator, SFNO)，它学习了 Bochner 空间之间的映射，并引入了一个新的学习框架来解决神经网络训练方面的问题。这种设计通过使用一种可靠的基于可估计（Parseval）误差分析的负 Sobolev 范数作为运算符学习的损失函数来优化神经算子，从而在处理低频误差和高频误差时取得了显著的计算效率和精度改进。与端到端评估和传统数值偏微分方程求解器相比，在二维 Navier-Stokes 方程常用基准测试中进行的数值实验显示出了显著的改进。

    May, 2024

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • 应用物理学知识的机器学习方法增强湍流模型：一个全面的框架

    使用物理信息的机器学习可以提高雷诺应力建模的准确性，该方法分解成线性和非线性部分有助于缓解基于雷诺应力封闭方程的雷诺平均流动方程的病态问题，该框架可用于改进平均速度的预测。

    Jan, 2018

  • 用于解决雷诺平均纳维尔 - 斯托克斯方程的受物理学指导的神经网络

    本文利用物理信息网络解决并识别局部微分方程组，应用此方法成功地解决了雷诺 - 平均纳维尔 - 斯托克斯方程，该方程适用于不可压的湍流流动，而且不需要特定的湍流模型或假设，并仅仅需要利用域边界数据来解决方程，研究结果表明该方法可以用于压力梯度强的层流，并且可以得到小于 1％的误差，同时对于湍流流动的模拟结果也非常准确。

    Jul, 2021