Recent progress and challenges in exploiting graphics processors in computational fluid dynamics
在加速使用GPU的流体流动的模拟所取得的进展,以及仍然存在的挑战,调查。本文首先介绍了GPU计算和编程,并讨论了提高性能的各种考虑因素。比较拉普拉斯和不可压缩纳维-斯托克斯方程的基于CPU和GPU的求解器的性能的案例研究进行,以证明即使是简单的代码的潜在改进。最近的努力,以加速计算流体力学模拟使用GPU的层流,湍流和反应流求解器进行审查。此外,GPU实现的格子玻尔兹曼方法进行审查。最后,给出了在GPU上实现CFD代码的建议,并讨论了剩余的挑战,例如需要开发新的策略和重新设计算法以实现GPU加速。
2013-09-12 physics.comp-ph physics.flu-dyn
Reduced-order Model for Fluid Flows via Neural Ordinary Differential Equations
降阶模型在动力系统的设计、优化和控制中起着重要的作用。近年来,人们越来越关注应用数据驱动技术进行模型简化,可以减少数值解的计算负担,同时保留复杂物理问题的最重要特征。在本文中,我们使用适当的正交分解来降低模型的维数,并引入一种新的生成神经ODE(NODE)架构来预测时间系数的行为。有了这种方法,我们取代了经典的伽辽金投影与建筑的特点是使用一个连续的潜在空间。本文采用基于大涡模拟(LES)的方法研究了圆柱绕流的Von Karman涡街动力学。我们将NODE方法与LSTM基线进行了比较,以评估生成模型的外推能力,并对流重建进行了一些定性评估。
2021-02-20 physics.comp-ph physics.flu-dyn
Identifying key differences between linear stochastic estimation and neural networks for fluid flow regressions
神经网络(NN)和线性随机估计(LSE)已被广泛用作流体流动回归的强大工具。我们调查他们之间的根本区别考虑两个典型的流体流动问题:1。从二维圆柱绕流的低阶正交分解系数估计高阶正交分解系数; 2.湍流槽道流动中由壁面特性进行状态估计。在第一个问题中,我们比较了LSE的性能的多层感知器(MLP)。在通道流的例子中,我们利用卷积神经网络(CNN)作为一个非线性模型,可以处理高维流体流动。对于这两种情况,由于非线性激活函数,非线性神经网络优于线性方法。我们还进行了误差曲线分析的估计误差和模型内的权重的响应。我们的分析可视化的鲁棒性对噪声扰动的误差曲线域,同时揭示了流体流动回归的覆盖工具的根本区别。
2022-02-19 physics.flu-dyn
NeuralFluid: Neural Fluidic System Design and Control with Differentiable Simulation
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Georgia Institute of Technology(佐治亚理工学院);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海期智研究院)
该研究提出NeuralFluid框架,结合可微Navier-Stokes求解器、协同设计算法等构建类gym流体仿真环境与多任务基准,实现复杂流体系统的神经控制与设计,性能优于无梯度方案。
2024-10-31 cs.AI cs.GR physics.flu-dyn
Finite Volume Graph Network(FVGN): Predicting unsteady incompressible fluid dynamics with finite volume informed neural network
本文提出有限体积图网络FVGN,将有限体积物理约束纳入图神经网络损失函数,并采用两次消息聚合机制,以更低训练成本提升非定常不可压缩流动及边界层预测精度与几何泛化能力。
2024-03-17 physics.comp-ph physics.flu-dyn
Construction of Reduced Order Models for Fluid Flows Using Deep Feedforward Neural Networks
我们提出了一种数值方法,通过流动模态分解和回归分析相结合的降阶模型,ROM,流体流动的建设。采用谱本征正交分解(SPOD)对模型进行降维,同时滤除POD时域模式。回归步骤由深度前馈神经网络DNN执行,并且当前框架在类似于非线性动态算法SINDy的稀疏识别的上下文中实现。DNN超参数的优化提供了一个讨论,以获得最好的ROM和评估这些模型提出了一个典型的非线性振荡器和可压缩流通过一个气缸。最后,通过对一个动态失速下的纵倾翼型的大涡模拟计算,对该方法进行了验证。降阶模型能够捕捉前缘失速涡和随后的后缘涡的动态。对于分析的情况下,数值框架允许使用比全阶模型所采用的时间增量更大的时间增量来预测训练窗口之外的流场。我们还通过与稀疏回归的比较,证明了通过深度前馈神经网络构建的当前ROM的鲁棒性。DNN方法能够学习流的瞬态特征,并与稀疏回归相比提供更准确和稳定的长期预测。
2019-03-12 physics.comp-ph physics.flu-dyn
Minimizing Nature's Cost: Exploring Data-Free Physics-Informed Neural Network Solvers for Fluid Mechanics Applications
本文提出基于最小压力梯度原理的物理信息神经网络流体求解方法,通过直接最小化不可压缩流动的自然代价函数,避免单独训练压力模型,在圆柱绕流案例中相比传统PINN降低了计算成本并提升了精度与收敛性。
2024-11-23 physics.comp-ph physics.flu-dyn
Surrogate Modeling of Fluid Dynamics with a Multigrid Inspired Neural Network Architecture
Institute of High Performance Computing(高性能计算研究所)
代数或几何多重网格方法通常用于数值求解器,因为它们是一种能够处理多尺度问题的多分辨率方法。在这项工作中,我们提出了一个修改常用的U-Net神经网络架构的灵感来自多重网格方法的原则,这里称为U-Net-MG。然后,我们证明,这种建议的U-Net-MG架构可以成功地减少测试预测误差相对于传统的U-Net架构时,建模一组流体动力学问题。总的来说,我们证明了改进的速度和压力场的预测的典型流体动力学的情况下,流过一个固定的圆柱体,流过2个圆柱体在异相运动,和流过一个振荡的翼型在推进和能量收集模式。一般来说,虽然U-Net和U-Net-MG模型都可以很好地模拟系统,测试RMSE小于1%,但使用U-Net-MG架构可以进一步减少RMSE 20%到70%。
2021-05-09 cs.LG physics.comp-ph physics.flu-dyn
Physics-informed Fourier Basis Neural Network for Fluid Mechanics
本研究提出结合物理信息的傅里叶基神经网络FBNN,用于求解流体力学典型PDE,在多类方程上性能优于传统ANN,且对激活函数选择不敏感,为计算流体力学提供新工具。
2025-08-04 physics.flu-dyn
Neural inference of fluid-structure interactions from sparse off-body measurements
Pennsylvania State University(宾夕法尼亚州立大学);Binghamton University(宾汉姆顿大学)
本文提出一种新的物理指导神经框架,用于从稀疏单相观测中重建不稳定的流-结构相互作用,结合模态表面模型和流体固体状态的坐标神经表示,通过流体控制方程和界面条件约束,利用体外拉格朗日粒子轨迹和移动壁边界条件推断流场和结构运动。
2026-04-04 physics.flu-dyn
NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields
Shanghai Jiao Tong University(上海交通大学)
深度学习在模拟流体等复杂粒子系统的物理动力学方面显示出巨大的潜力。然而,现有的方法需要监督连续的粒子属性,包括位置和速度。在本文中,我们考虑了一个部分可观察的情况下,被称为流体动力学接地,也就是说,推断流体粒子系统内的状态转换和相互作用,从连续的视觉观察的流体表面。我们提出了一个名为NeuroFluid的可微两阶段网络。我们的方法包括(i)粒子驱动的神经渲染器,它涉及到流体的物理性质到体渲染功能,和(ii)粒子过渡模型优化,以减少渲染和观察到的图像之间的差异。NeuroFluid通过联合训练这两个模型,为基于粒子的流体动力学的无监督学习提供了第一个解决方案。它表明,合理地估计不同的初始形状,粘度和密度的流体的基本物理。
2022-06-18 cs.CV cs.LG physics.flu-dyn
Teaching the Incompressible Navier-Stokes Equations to Fast Neural Surrogate Models in 3D
University of Bonn(波恩大学)
物理上合理的流体模拟在现代计算机图形学和工程学中起着重要的作用。然而,为了实现实时性能,计算速度需要与物理精度进行权衡。基于神经网络的替代流体模型具有实现快速流体模拟和高物理精度的潜力。然而,这些方法依赖于大量的训练数据,需要复杂的训练和推理管道,或者不能推广到新的流体域。在这项工作中,我们对最近提出的深度学习框架进行了重大扩展,该框架解决了上述2D挑战。我们从2D到3D,并提出了一个有效的架构,以应付高要求的三维网格在内存和计算复杂性。此外,我们的神经流体模型的附加信息的流体的粘度和密度,允许模拟层流以及湍流基于相同的代理模型。我们的方法允许训练流体模型,而不需要流体模拟数据事先。由于流体模型直接将时刻t处的流体状态和边界条件映射到t+dt处的后续流体状态,因此推断快速且简单。我们在128x64x64网格上获得实时流体模拟,其中包括各种流体现象,如马格努斯效应或卡门涡列,并推广到训练期间未考虑的域几何形状。我们的方法表明,在准确性,速度和泛化能力方面,目前的3D基于神经网络的流体模型有很大的改进。
2021-03-24 cs.LG physics.flu-dyn
Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes
Terra Quantum AG(Terra量子公司);Evonik Operations GmbH(赢创运营有限公司)
针对复杂几何形状流体仿真计算成本高的问题,提出结合量子模型表达力与物理信息神经网络灵活性的混合量子物理信息神经网络,在三维Y形混合器层流模拟中精度较纯经典网络提升21%,助力高效可靠的流体动力学求解器开发。
2024-07-14 cs.LG physics.flu-dyn quant-ph
FlexPINN: Modeling Fluid Dynamics and Mass Transfer in 3D Micromixer Geometries Using a Flexible Physics-Informed Neural Network
Sharif University of Technology(谢里夫理工大学)
FlexPINN通过改进传统PINN架构,实现了对三维微混合器中流体动力学与质量传递的高效模拟,展示了在复杂几何结构中的应用潜力。
2025-04-24 physics.comp-ph physics.flu-dyn
Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics
Kyung Hee University(庆熙大学);Hongik University(弘益大学);Sunchon National University(顺天大学)
本文提出基于GNN的数值模型,利用SPH模拟数据学习非牛顿幂律流体粒子加速度,在溃坝和液滴撞击基准中显著提速且保持精度。
2025-09-29 cs.LG physics.comp-ph physics.flu-dyn
Probabilistic neural network-based reduced-order surrogate for fluid flows
近年来,神经网络(NN)在物理科学中的应用激增。虽然已经提出了各种算法的进步,但到目前为止,评估神经网络可解释性的研究数量有限。这导致了大多数NN方法被草率地描述为“黑匣子”,并阻碍了更强大的物理学机器学习算法的广泛接受。为了解决流体流动建模中的这些问题,我们使用概率神经网络(PNN),以计算有效的方式为其预测提供置信区间。该模型首先评估考虑适当的正交分解(POD)系数从本地传感器测量的浅水方程的解决方案的估计。我们发现,本模型优于一个众所周知的线性方法方面的估计。然后,该模型被应用到POD系数的时间演变的估计,考虑与Gurney襟翼NACA 0012翼型的尾迹和NOAA的海面温度。本模型除了提供置信区间之外,还可以随时间准确地估计POD系数,从而量化给定特定训练数据集的输出中的不确定性。
2020-12-16 physics.comp-ph physics.data-an physics.flu-dyn
Advanced Theoretical Analysis of Stability and Convergence in Computational Fluid Dynamics for Computer Graphics
该研究针对计算机图形学流体模拟的理论严谨性需求,构建分析数值格式性质的理论框架,推导两类方法的稳定性条件、Navier-Stokes离散收敛速率,还提出不可压缩性与涡量守恒相关新理论,为自适应流体模拟及实时图形模拟技术发展提供数学基础。
2024-11-02 physics.flu-dyn
Robust training approach of neural networks for fluid flow state estimations
从有限的传感器测量中进行状态估计是机械、天文和物理学等广泛领域普遍存在的一个共同挑战。流体力学也不例外--流体流动的状态估计对于流动控制和实验数据处理特别重要。然而,强非线性和时空的高自由度的流体流动的合理估计造成的困难。为了解决这些问题,神经网络(NN)最近已被应用到流体流量估计,而不是传统的线性方法。本研究的重点是神经网络的能力,各种流体流量估计问题,从一个实际的角度来看,关于强大的培训。三种类型的非定常层流和湍流被认为是本演示:1。方柱尾迹,2.湍流通道流,和3.层流到紊流过渡边界层。我们利用卷积神经网络(CNN)来估计速度场的截面传感器测量。为了评估CNN模型的实用性,研究了输入所需的物理量和对缺乏传感器的鲁棒性。我们还研究了几种重要的模型训练方法的有效性,以提高对传感器缺乏的鲁棒性。通过本研究获得的知识,在有效的训练方法,可以转移到实际的机器学习在流体流动建模。
2022-05-31 physics.data-an physics.flu-dyn
Analysis of accuracy and efficiency of neural networks to simulate Navier-Stokes fluid flows with obstacles
Dos Pueblos High School(多斯普埃布洛斯高中);University of California at Santa Barbara(加州大学圣塔芭芭拉分校)
本研究验证神经网络可高效模拟含随机障碍物的不可压缩流体,误差低且速度比传统数值模拟快约8800倍,适用于火灾烟雾、管道流及洪水等场景。
2025-10-27 cs.LG physics.flu-dyn
Probabilistic neural networks for fluid flow surrogate modeling and data recovery
我们考虑使用概率神经网络的流体流动{代理建模}和数据恢复。这个框架是通过假设目标变量是从以输入为条件的高斯分布中采样而构建的。因此,整个公式建立了一个过程来预测这个分布的超参数,然后使用这些超参数来计算给定训练数据的目标函数。我们证明,这个框架有能力提供预测置信区间的概率后验假设的基础上,给出了适当的模型架构和足够的训练数据。本框架的适用性与嘈杂的测量和有限的观察情况下,也进行了评估。为了证明这个框架的能力,我们认为典型的回归问题的流体动力学从降阶建模和空间数据恢复的角度来看,四个规范的数据集。本研究中考虑的例子来自(1)浅水方程,(2)二维圆柱流,(3)带有Gurney襟翼的NACA 0012翼型的尾流,(4)NOAA海表面温度数据集。目前的研究结果表明,概率神经网络不仅产生基于机器学习的流体流{代理}模型,但也系统地量化其中的不确定性,以协助模型的可解释性。
2020-09-20 physics.flu-dyn
Physics-Constrained Bayesian Neural Network for Fluid Flow Reconstruction with Sparse and Noisy Data
在许多应用中,流量测量通常是稀疏的并且可能是有噪声的。从有限的和不完善的流场信息重建高分辨率的流场是重要的,但具有挑战性。在这项工作中,我们提出了一种创新的物理约束贝叶斯深度学习方法,用于从稀疏的噪声速度数据中重建流场,其中通过似然函数施加基于方程的约束,并且可以估计重建流的不确定性。具体而言,在稀疏测量数据上训练贝叶斯深度神经网络以捕获流场。与此同时,违反物理定律的行为将在大量无法测量的时空点上受到惩罚。一个非参数变分推理方法,使有效的物理约束贝叶斯学习。几个测试情况下,理想化的血管流与合成测量数据的研究,以证明所提出的方法的优点。
2020-01-15 physics.comp-ph physics.data-an physics.flu-dyn
Neural Kinematic Bases for Fluids
University of Victoria(维多利亚大学);Inworld AI;University of Copenhagen(哥本哈根大学);University of Montreal(蒙特利尔大学);McGill University(麦吉尔大学)
本研究提出一种基于MLP表示的运动学神经基的无网格流体模拟方法,通过设计损失函数保证神经基的物理属性,可拟合流动草图并实现实时流动动画,还能适配不同域与移动边界并扩展至三维。
2025-09-30 cs.GR cs.LG physics.flu-dyn
A Pioneering Neural Network Method for Efficient and Robust Fluid Simulation
School of Software Engineering, Xi’an Jiaotong University(西安交通大学软件学院)
本文提出首个面向复杂环境的神经网络流体模拟方法,通过三角形特征融合兼顾动力学建模、动量守恒与稳定性,精度与速度均显著优于现有方法。
2025-01-04 cs.CV cs.GR cs.LG
Leveraging Stochastic Predictions of Bayesian Neural Networks for Fluid Simulations
University of Tübingen(图宾根大学);TU Munich(慕尼黑工业大学)
我们调查的不确定性估计和多模态通过贝叶斯神经网络(BNN)在流体模拟的非确定性预测。为此,我们部署BNN在三个具有挑战性的实验测试情况下,越来越复杂:我们表明,BNN,当用作稳态流体流动预测的代理模型,提供准确的物理预测与合理的估计不确定性。此外,我们的实验与扰动的时间序列的Navier-Stokes模拟和评估的能力BNN捕捉多模态演化。虽然我们的研究结果表明,这对于大扰动来说是有问题的,但我们的研究结果表明,在这种情况下,网络能够正确地预测高不确定性。最后,我们研究BNN的求解器与湍流等离子体流的相互作用的背景下。我们发现,基于BNN的校正网络可以稳定粗粒度的模拟,并成功地创建多模态轨迹。
2022-05-02 cs.LG physics.flu-dyn
A Graph Neural Network Surrogate Model for Multi-Objective Fluid-Acoustic Shape Optimization
本文提出一种基于图神经网络的代理模型,通过预测流场并耦合流-声分析进行多目标翼型形状优化,在保持精度的同时将计算速度提升三个数量级。
2024-12-22 physics.flu-dyn
The compressible Neural Particle Method for Simulating Compressible Viscous Fluid Flows
Space and Astronautical Science, The Graduate University for Advanced Studies, SOKENDAI(空间与航天科学,高级研究大学,SOKENDAI);Department of Aeronautics and Astronautics, Graduate School of Engineering, University of Tokyo(航空与航天系,工程研究生院,东京大学)
本文提出可压缩神经粒子方法,通过前馈神经网络计算速度与压力并结合Tait方程处理密度,将神经粒子方法从不可压缩流动扩展到可压缩粘性流动,并在溃坝问题中验证了其准确性。
2025-08-23 cs.LG physics.flu-dyn
Predicting fluid-structure interaction with graph neural networks
University of British Columbia(不列颠哥伦比亚大学)
本研究提出一种旋转等变的准整体图神经网络流固耦合降阶建模框架,通过两个子网络分别处理网格运动与流体状态演化,在两类典型系统中实现长时稳定准确预测,还可直接计算升阻力,对相关数字孪生开发具有参考意义。
2023-10-16 cs.LG physics.flu-dyn
Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time
Beijing Jiaotong University(北京交通大学);Simon Fraser University(Simon Fraser大学);Meta Reality Labs(Meta现实实验室)
提出混合神经-物质点法,结合数值模拟、神经物理与生成控制,实现高帧率实时交互式流体模拟,支持手绘草图操控,兼顾低延迟与高物理保真度。
2025-05-25 cs.LG physics.flu-dyn
Deep learning based on mixed-variable physics informed neural network for solving fluid dynamics without simulation data
近年来,深度学习方法在处理流体动力学方面引起了极大的关注。然而,深度学习方法需要大量的数据来保证泛化能力,而流体动力学的数据不足。近年来,物理信息神经网络(PINN)被广泛应用于流体流动问题的求解,其基本思想是将控制方程和连续性方程嵌入到损失函数中,要求用较少的数据集就能得到可靠的神经网络。本文提出了一种混合变量PINN方法,将控制方程转化为连续介质和本构方程,用于求解无标号数据的流体动力学(绕圆柱流动)问题。初始/边界条件与惩罚因子也被嵌入到损失函数,成为一个很好的强加的问题。结果表明,与传统的PINN格式相比,混合变量PINN格式具有更好的流场预测能力。此外,采用迁移学习方法,以较少的计算量求解不同网格数的流体解。结果表明,迁移学习方法可以在短时间内很好地模拟不同雷诺数下的流动。
2021-11-17 cs.NA math.NA physics.flu-dyn
A novel hybrid neural network of fluid-structure interaction prediction for two cylinders in tandem arrangement
针对串联双圆柱流固耦合预测,提出集成多时间步流体深度学习模型与结构动力学求解器的端到端混合神经网络,实现涡激振动的高精度快速预测,速度提升超千倍。
2025-04-24 physics.flu-dyn
Towards Fast Simulation of Environmental Fluid Mechanics with Multi-Scale Graph Neural Networks
Imperial College London(帝国理工学院)
数值模拟器是自然流体系统研究中必不可少的工具,但其性能往往限制了实际应用。最近的机器学习方法已经证明了它们加速时空预测的能力,尽管相比之下只有中等的准确性。在这里,我们介绍了MultiScaleGNN,一种新型的多尺度图神经网络模型,用于学习推断包含一系列长度尺度和复杂边界几何形状的问题中的非稳定连续介质力学。我们证明了这种方法的平流问题和不可压缩的流体动力学,在海洋和大气过程中的基本现象。我们的研究结果表明,很好的外推到新的域的几何形状和参数的长期时间模拟。使用MultiScaleGNN获得的模拟比训练时快两到四个数量级。
2022-05-05 cs.LG physics.flu-dyn
WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks
Global Change Research Group (GCRG), IMEDEA, CSIC-UIB(全球变化研究组(GCRG),IMEDEA,CSIC-UIB)
提出WellPINN工作流,通过多阶段顺序训练物理信息神经网络(PINNs)并逐步缩小等效井半径,解决了现有PINN方法在注入早期井附近压力捕捉不准的问题,实现了全注入周期内由泵注速率精确推断流体压力。
2025-07-12 cs.LG physics.comp-ph physics.flu-dyn
Validation and parameterization of a novel physics-constrained neural dynamics model applied to turbulent fluid flow
本研究构建了受物理约束的Navier-Stokes方程数据驱动降阶模型,结合不可压缩约束与神经常微分方程,在三维中等雷诺数湍流上验证了其大尺度流动重建能力,并明确了物理可解释参数对模型性能的量化影响。
2021-10-22 physics.flu-dyn
Flow Completion Network: Inferring the Fluid Dynamics from Incomplete Flow Information using Graph Neural Networks
UnionString(Beijing) Technology Co. Ltd.(联串(北京)科技有限公司);University of Liverpool(利物浦大学);King’s College London(伦敦国王学院)
本文介绍了一种新的神经网络--流补网络(flow completion network,FCN),它可以从基于图卷积注意力网络(Graph Convolution Attention Network)的不完全数据中推断出流体动力学,包括流场和物体受力。FCN由几个图卷积层和空间注意层组成。该方法与涡力图(VFM)方法相结合,可以得到流场的速度场和涡力贡献。与流体动力学中采用的其他神经网络相比,该方法既能处理结构化数据,又能处理非结构化数据。建议的FCN的性能进行评估的计算流体动力学(CFD)数据上的流场周围的圆柱。我们的模型预测的力系数与直接从CFD获得的力系数进行了验证。此外,我们的模型有效地利用了现有的流场信息和梯度信息的同时,给出了一个更好的性能比传统的卷积神经网络(CNN)为基础的模型和深度神经网络(DNN)为基础。具体而言,在不同雷诺数和不同比例的训练数据集的所有情况下,结果表明,提出的FCN在测试数据集上实现了最大范数均方误差为5.86%,远低于传统的基于CNN和基于DNN的模型(分别为42.32%和15.63%)。
2022-07-06 cs.LG physics.flu-dyn
AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction
Department of Mechanical Engineering(机械工程系)
本文提出AeTHERON,一种异构图神经运算网络,通过自回归拓扑感知方法,在高维潜在空间中学习流固耦合,实现流体-结构相互作用的高效模拟。
2026-04-15 cs.LG physics.comp-ph physics.flu-dyn
Model order reduction with neural networks: Application to laminar and turbulent flows
我们研究了基于神经网络的模型降阶的能力,即,自动编码器(AE),用于流体流量。作为一个示例模型,AE,其中包括一个卷积神经网络和多层感知器被认为是在这项研究中。用四种典型的流体流动,即:(1)二维圆柱尾流,(2)其瞬态过程,(3)NOAA海表面温度,和(4)湍流槽道流的$y-z$截面场,根据一些潜在模式,非线性激活函数的选择,以及AE模型中包含的一些权重,对AE模型进行评估。我们发现,AE模型是敏感的对上述参数的选择取决于目标流量。最后,展望了基于机器学习的降阶方法在流体动力学数值和实验研究中的应用前景。
2021-09-07 physics.comp-ph physics.data-an physics.flu-dyn
Fluid Simulation on Neural Flow Maps
Dartmouth College(达特茅斯学院);Stanford University(斯坦福大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出神经流图方法,结合隐式神经表示与流图理论,通过空间稀疏神经场表示速度场,实现高精度、低耗散的无粘流体模拟,在多个复杂场景中优于现有方法。
2023-12-22 cs.AI cs.CV cs.GR
Physics-informed neural networks (PINNs) for fluid mechanics: A review
Brown University(布朗大学);Xiamen University(厦门大学);Dalian University of Technology(大连理工大学)
尽管在过去的50年中,在使用数值离散化的纳维-斯托克斯方程(NSE)模拟流动问题的显着进展,我们仍然不能无缝地将噪声数据纳入现有的算法,网格生成是复杂的,我们不能解决高维问题的参数化NSE。此外,求解逆流动问题通常是昂贵的,并且需要复杂且昂贵的公式和新的计算机代码。在这里,我们回顾了流物理信息学习,无缝集成数据和数学模型,并使用物理信息神经网络(PINN)实现它们。我们证明了PINNs的有效性的三维尾流,超音速流动,生物医学流动的反问题。
2021-05-20 cs.LG physics.flu-dyn
Improved Surrogate Modeling of Fluid Dynamics with Physics-Informed Neural Networks
Institute of High Performance Computing(高性能计算研究所)
物理信息神经网络(PINN)作为一种将基于物理的领域知识(包括基本控制方程)结合到用于许多复杂工程系统的神经网络模型中的方法,最近显示出巨大的前景。它们在边界条件可能定义不清的反问题领域和典型的监督学习方法将失败的数据缺失场景中特别有效。在这里,我们进一步探索使用这种建模方法来替代流体动力学系统的建模,并展示了这种建模方法相对于传统数据驱动方法的其他未讨论的和有趣的优点:1)即使在对底层物理的不完整描述的情况下也能提高模型的预测性能; 2)提高模型对数据集中噪声的鲁棒性; 3)通过对预先存在的模型进行转移优化,减少了在针对新的、先前未见过的场景进行优化期间的收敛工作。因此,我们注意到包含基于物理的正则化项可以在许多实质性方面大大改善等效数据驱动的代理模型,包括当数据集非常嘈杂时测试误差的数量级改善,以及当仅包含部分物理时2- 3倍的改善。此外,我们提出了一种新的传输优化方案,用于在这样的代理建模方案,并证明了约3倍的收敛速度的改善和一个数量级的改进,在预测性能比传统的Xavier初始化训练的新的情况。
2021-05-05 cs.LG physics.comp-ph physics.flu-dyn
Efficient neural topology optimization via active learning for enhancing turbulent mass transfer in fluid channels
提出一种基于主动学习和神经算子的机器学习框架,用于高效优化湍流传质流体通道拓扑结构,在最大化传质效率与最小化能耗间实现折衷,实验验证优化通道浓度均匀性提升37%。
2025-03-06 physics.flu-dyn
Image Velocimetry using Direct Displacement Field estimation with Neural Networks for Fluids
Pontificia Universidad Católica de Chile(智利天主教大学)
本研究提出一种基于神经网络和光流方程的流体图像测速新方法,无需预训练即可在任意图像对上预测全分辨率位移场,并在合成与实验图像上验证了其准确性与适用性。
2025-01-28 cs.CV physics.flu-dyn
E($3$) Equivariant Graph Neural Networks for Particle-Based Fluid Mechanics
Technical University of Munich(慕尼黑工业大学);Microsoft Research(微软研究院)
本文证明在3D衰减Taylor-Green涡旋和3D反向Poiseuille流基准上,等变图神经网络比非等变模型能学习物理上更准确的动态交互,为湍流粗粒化建模与跨系统泛化提供了新机遇。
2023-03-31 cs.LG physics.flu-dyn
NNPred: A Predictor Library to Deploy Neural Networks in Computational Fluid Dynamics software
神经网络预测器库已被开发用于将机器学习(ML)模型部署到计算流体动力学(CFD)代码中。为了简化CFD求解器的实现,采用了实现指针策略来隔离实现细节。该库通过封装TensorFlow C库提供简化的模型管理功能,并维护自属于的数据容器,以处理与CFD求解器接口的输入/输出(I/O)功能中的数据类型转换和内存布局。在语言层面上,该库为C++和Fortran(CFD社区中两种常用的编程语言)提供应用程序编程接口(API)。分别用C++和Fortran编写了两个开源CFD代码OpenFOAM和CFL 3D的高级定制模块。预测器的基本用法在一个简单的数据驱动的热传递问题中演示,作为第一个教程案例。另一个教程案例是使用OpenFOAM和CFL 3D代码来实现使用该库对通道流中的湍流效果进行建模。开发的ML预测库为CFD求解器中ML模型的部署提供了一个强大的工具。
2022-09-25 physics.flu-dyn
FENN: Feature-enhanced neural network for solving partial differential equations involving fluid mechanics
针对PINNs求解强非线性流体PDEs计算成本高的问题,提出特征增强神经网络FENN,通过引入几何或物理特征提升学习效率,实验表明计算成本降低约四倍,并解决了逆向与参数化问题。
2025-01-21 physics.flu-dyn
An artificial neural network approach to bifurcating phenomena in computational fluid dynamics
SISSA(国际高等研究院);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Catholic University of the Sacred Heart(圣心天主教大学)
本文提出一种结合人工神经网络与POD降阶模型的方法,用于研究Navier-Stokes方程中多参数化分岔现象,并通过降阶流形分岔图高效追踪临界点演化与流型行为。
2021-09-22 cs.LG cs.NA math.NA
Impact of Loss Weight and Model Complexity on Physics-Informed Neural Networks for Computational Fluid Dynamics
Department of Power Mechanical Engineering, National Tsing Hua University(国家交通机械工程系,国立清华大学)
针对物理信息神经网络对损失权重选择敏感的问题,提出两种基于量纲分析的加权方案,其中纳入不可量化项的方案在多个CFD基准测试中提升了稳定性与准确性,在高佩克莱特数问题中表现突出。
2025-09-24 cs.LG physics.flu-dyn
Learning Lagrangian Fluid Mechanics with E($3$)-Equivariant Graph Neural Networks
Technical University of Munich(慕尼黑工业大学);Microsoft Research AI4Science(微软研究院AI4Science)
本文研究E(3)-等变图神经网络在拉格朗日流体力学中的应用,通过在三维衰减Taylor-Green涡旋和三维反向Poiseuille流上的基准测试,证明所提出的物理历史嵌入方法能使等变模型学习到比非等变模型更精确的动态交互。
2023-05-24 cs.LG physics.flu-dyn
The Neural Particle Method -- An Updated Lagrangian Physics Informed Neural Network for Computational Fluid Dynamics
数值模拟是工业设计过程中必不可少的手段。它可以取代昂贵的实验,甚至减少对原型的需求。在借助数值模拟设计的产品不断改进的同时,数值模拟本身也必须如此。到目前为止,还没有通用的数值方法,可以准确地解决各种物理范围从流体到固体力学,包括大变形和自由表面流动现象。这些复杂的多物理问题发生在例如增材制造过程中。从这个意义上说,机器学习的最新发展显示了数值模拟的前景。最近已经表明,代替在标准数值方法中求解方程组,可以仅基于初始和边界条件来训练神经网络。神经网络是光滑的、可微函数,可以用作偏微分方程(PDE)的全局模拟器。虽然这个想法可以追溯到20多年前[Lagaris等人,1998],直到最近才开发出一种解决不定常问题的方法[Raissi等人,2019年]。利用后者,构造了求解标量偏微分方程的高阶隐式Runge Kutta格式。我们在上述工作的基础上开发了一种更新的拉格朗日方法来求解无粘欧拉方程下的不可压缩自由表面流。该方法易于实现,不需要任何特定的算法处理,这通常是必要的,以准确地解决不可压缩性约束。由于其无网格特性,我们将其命名为神经粒子方法(NPM)。它将证明,即使离散点的位置是非常不规则的,NPM仍然保持稳定和准确。
2020-06-03 cs.NA math.NA physics.comp-ph
Relativistic Wind Farm Effect: Possibly Turbulent Flow of a Charged, Massless Relativistic Fluid in Graphene
在低雷诺数下,单个风力涡轮机尾流中的风流通常不是湍流。然而,风力发电场中的涡轮机会影响彼此的尾流,从而可能产生湍流。在目前的工作中,这种效果的无质量的载流子流周围的障碍物在石墨烯的模拟概述。我们使用相对论流体动力学模拟来分析含有杂质的样品中的流动。根据样品中杂质的密度,我们确实发现了潜在的湍流的证据,并讨论了实验结果。
2022-02-16 astro-ph.HE cond-mat.str-el physics.flu-dyn
A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations
The University of British Columbia(不列颠哥伦比亚大学)
针对现有图神经网络多基于双边连接的局限,提出受有限元启发的FEIH(ϕ)-GNN超图网络,具备旋转等变性,在流体模拟基准上实现稳定准确的插值预测及适度外推能力。
2023-04-24 cs.LG physics.flu-dyn
Physics-informed machine learning of the correlation functions in bulk fluids
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本研究利用物理信息神经网络和物理信息神经算子网络求解Ornstein-Zernike方程,在多种体相流体中实现高精度和高效率的正逆问题求解,凸显了其在热力学状态理论中的潜力。
2023-09-02 cs.LG physics.chem-ph physics.comp-ph
A Mesh-Adaptive Hypergraph Neural Network for Unsteady Flow Around Oscillating and Rotating Structures
Department of Mechanical Engineering, The University of British Columbia(不列颠哥伦比亚大学机械工程系);Department of Mechanical Engineering, University of California, Berkeley(加州大学伯克利分校机械工程系)
本文提出一种自适应超图神经网络,用于建模旋转和振荡结构周围的不稳流,通过自适应网格和接口单元实现稳定预测。
2026-01-13 cs.LG physics.flu-dyn
Uncovering wall-shear stress dynamics from neural-network enhanced fluid flow measurements
University of Washington(华盛顿大学)
本研究提出一种结合物理知识的深度光流估计方法,从流体测量中高时空分辨率地推导速度场和壁面剪应力场,并通过合成与真实实验数据验证了其有效性和物理正确性。
2023-10-18 cs.AI physics.flu-dyn
Predicting waves in fluids with deep neural network
University of British Columbia(不列颠哥伦比亚大学)
在本文中,我们提出了一种深度学习技术,用于流体介质中波传播的数据驱动预测。该技术依赖于基于注意力的卷积递归自动编码器网络(AB-CRAN)。为了构建波传播数据的低维表示,我们采用了基于去噪的卷积自动编码器。具有基于注意力的长短期记忆细胞的AB-CRAN架构形成了我们的深度神经网络模型,用于低维特征的时间推进。我们评估所提出的AB-CRAN框架对标准的递归神经网络的波传播的低维学习。为了证明AB-CRAN模型的有效性,我们考虑三个基准问题,即一维线性对流,非线性粘性Burgers方程,和二维圣维南浅水系统。使用基准问题的时空数据集,我们的新AB-CRAN架构准确地捕获波的振幅,并保留了长时间范围内的解决方案的波的特性。与具有长短期记忆细胞的标准递归神经网络相比,基于注意力的序列到序列网络增加了预测的时间范围。去噪自编码器进一步降低了预测的均方误差,提高了参数空间的泛化能力。
2022-06-13 cs.LG physics.flu-dyn