Aero-Nef：用于快速飞机气动力学仿真的神经场
计算工程、金融与科学
2024-10-29 v1 机器学习
数值分析
数值分析
流体动力学
摘要
本文提出一种方法，用于基于隐式神经表示 (INR) 的稳态流体动力学仿真建模代理模型。所提出的模型可直接应用于非结构化域，以处理不同的流动条件，处理非参数的 3D 几何变形，并在测试时对未见形状进行泛化。基于坐标的表述自然导致对离散化的鲁棒性，在计算成本（内存占用和训练时间）和精度之间实现了卓越的平衡。该方法在两个工业上相关的应用中进行了演示：一个关于二维可压缩流动过越压气动翼的 RANS 数据集，以及一个关于 3D 机翼表面压力分布的数据集，包括形状、入口条件和控制面偏转变化。在所考虑的测试案例中，我们的方法在测试误差上比当前基于图神经网络架构的模型低于三倍，并且在未见几何几何上的泛化误差显著改善。令人惊讶的是，该方法在 RANS 越压气动翼数据集上进行推断时，速度比高保真求解器快了五个数量级。代码已在 https://gitlab.isae-supaero.fr/gi.catalani/aero-nepf 上提供。
引用
@article{arxiv.2407.19916,
title = {Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations},
author = {Giovanni Catalani and Siddhant Agarwal and Xavier Bertrand and Frederic Tost and Michael Bauerheim and Joseph Morlier},
journal= {arXiv preprint arXiv:2407.19916},
year = {2024}
}
备注
32 pages