将机器学习局部预测与计算流体动力学求解器相结合以加速瞬态浮力羽流模拟

Sep, 2024

将机器学习局部预测与计算流体动力学求解器相结合以加速瞬态浮力羽流模拟

Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations

HTML

PDF

Clément Caron, Philippe Lauret, Alain Bastide

TL;DR本研究解决了传统计算流体动力学（CFD）模拟中成本高昂的问题，通过结合CFD和机器学习的方法来加速不可压缩流体流动的长期模拟，同时保持准确性。研究表明，在预测压力场时，局部特征的机器学习模型能显著提高CFD迭代线性求解器的效率，初始猜测的改善达94%。

Abstract

Data-driven methods demonstrate considerable potential for accelerating the inherently expensive Computational Fluid Dynamics (CFD) solvers. Nevertheless, pure machine-learning surrogate models face challenges in ensuring physical consistency and scaling up to address real-world proble

发现论文，激发创造

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

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

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

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

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

CFDBench：流体力学中机器学习方法的综合基准

近年来，将深度学习应用于解决物理问题引起了广泛关注。本文构建了一个基准测试集CFDBench，其中包含了计算流体动力学中的四个经典问题，并评估了现有方法在不同边界条件、流体物理性质和域几何形状下的泛化能力，用来促进找到具有强大学习能力的模型。

Sep, 2023

JAX-Fluids 2.0：面向可区分 CFD 的高性能计算压缩性两相流

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。

Feb, 2024

机器学习优化的MESHFREE模拟参数选择方法

通过结合机器学习和Fraunhofer的MESHFREE软件，利用数值点云在广义有限差分方法中实现复杂流动区域、移动几何体和自由表面的有效处理，本研究提供了参数优化在无网格模拟中的宝贵见解，增强了科学和工程应用的可访问性和可用性。

Mar, 2024

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

机器学习在计算流体动力学中的近期进展：一项综述

本文探讨了如何通过机器学习技术提升计算流体动力学（CFD）任务的最新进展，识别相关文献中的研究空白。我们提出了一种新分类，并重点分析了机器学习在CFD中的各类应用，包括逆设计和控制方面的重要进展，最终发现机器学习将在提高模拟精度、减少计算时间及支持更复杂的流体动力学分析方面具有显著影响。

Aug, 2024