fluid mechanics | BriefGPT - AI 论文速递

关键词fluid mechanics

搜索结果 - 9

液滴动力学能量预测的循环神经网络方法
本研究采用 LSTM 模型预测具有表面张力效应的流体流动的瞬态和静态输出，通过神经网络结构从几何参数派生的时间序列数据来预测能量预算，该方法在液滴动力学问题中展示了准确性，并且可以用于预测静态参数，如雷诺数和韦伯数。
PDF3 months ago
最小压力梯度原则：不可压缩流体力学中物理驱动学习的替代基础
应用基于变分方法的物理信息学习到流体力学领域的最新进展，使用最小压力梯度原理和连续性约束训练神经网络来预测不可压缩流体中的流场，演示了其实现并展示了相对传统方法减少每个训练时代的计算时间。
PDF6 months ago
通过 Kronecker 乘积来加速高效稀疏高斯过程 (E-SGP) 的流仿真
本研究介绍了一种用于流体力学代理建模的高效稀疏高斯过程（E-SGP）算法，它结合了高效高斯过程（E-GP）和变分能量自由稀疏高斯过程（VEF-SGP）的概念，通过指定诱导点和使用 Kronecker 乘积，显著提高了计算效率。 E-SGP
PDF7 months ago
利用图神经网络增强 CFD 数据同化
我们提出了一种新颖的机器学习方法，用于在流体力学中应用数据同化，基于反问题优化与图神经网络模型。
PDF7 months ago
SURFSUP: 学习新颖表面的流体模拟
我们提出了 SURFSUP 框架，该框架使用有符号距离函数隐式地表示对象，以更准确地模拟流体和对象之间的相互作用，并通过数据训练具有泛化的能力。
PDFa year ago
EPINN-NSE：用于求解 Navier-Stokes 方程的增强型物理启发式神经网络
本篇论文提出了基于物理信息神经网络（PINN）的新方法，该方法的第一种模型假定速度分量由流函数的导数近似，第二种更为灵活，对两个维度的 NSE 有有效解决办法，并成功应用于求解三维 NSE，这些方法具有高训练性、灵活性和高效性。
PDFa year ago
通过多环境方法加速流控制的深度强化学习策略
使用深度强化学习（DRL）进行流控制的方法现已提出，文章则针对使用計算流体动力学（CFD）数据训练 DRL 时面临的速度瓶颈进行改进，并提出两种方法以加速其运行：计算流体动力学本身的并行化以及 DRL 算法的并行处理。研究表明，这两种方法的
PDF5 years ago
流体力学的机器学习
该文章主要讲述了机器学习在流体力学中的应用历史、现状和未来机会。通过机器学习的方法，可以从大量数据中提取有关流体力学的知识，进而优化流体力学模型，并自动化流体流动控制和优化相关任务。
PDF5 years ago
通过强化学习实现智能微游动物的流体导航
本文介绍了如何利用强化学习算法设计智能的微型游泳机器人，实现在复杂液体环境下的自主适应行为与最优策略的学习。
PDF7 years ago