一种用于计算流体动力学的广义新型损失函数
机器学习
2024-11-27 v1 计算机视觉与模式识别
流体动力学
摘要
计算流体动力学(CFD)仿真在汽车、航空、海事和医疗等领域至关重要，但由于直接计算流动的复杂性、成本和计算需求，受到限制，往往需要数天的计算时间。机器学习架构，如受控生成对抗网络(cGANs)，在增强或取代CFD调查方面具有巨大的潜力，due to cGANs能够近似数据集的底层分布。与传统cGAN应用不同，CFD数据包含小区域的高度变异数据，这些数据浸入大量低方差的背景中，背景中包含最小的重要性。这使得大多数现有的深度学习技术在训练期间对数据的所有部分赋予相同重要性，变得效率低下。为缓解这一问题，提出一种称为梯度均方误差(GMSE)的新型损失函数，该函数自动且动态地识别数据集中各字段重要区域，根据局部方差分配适当的权重。为评估所提出解决方案的有效性，训练了三个相同的网络；分别使用均方误差(MSE)损失、提出的GMSE损失和GMSE的动态变体(DGMSE)。新型损失函数导致损失收敛更快， correlate于减少训练时间，同时显示出在生成场和真实仿真场之间结构相似性误差降低83.6%，最大损失率提高76.6%，并且能够更好地欺骗判别器网络。期望该损失函数能够加速计算流体动力学中的机器学习。
引用
@article{arxiv.2411.17059,
title = {A generalised novel loss function for computational fluid dynamics},
author = {Zachary Cooper-Baldock and Paulo E. Santos and Russell S. A. Brinkworth and Karl Sammut},
journal= {arXiv preprint arXiv:2411.17059},
year = {2024}
}
备注
37 pages, 13 figures, preprint submitted to Engineering Applications of Artificial Intelligence (EAAI)