用于研究稳态不可压缩 Navier-Stokes 方程的可扩展基准图-网格数据集
机器学习
2022-06-30 v1 计算机视觉与模式识别
数值分析
数值分析
摘要
近期\emph{几何深度学习}(GDL)的进展已显示出其提供强大数据驱动模型的潜力。这为推动从图-网格数据学习由\emph{偏微分方程}(PDE)支配的物理系统新方法提供了动力。然而,尽管已有努力与近期成果,若干研究方向仍未被探索,且进展远未满足真实世界现象的物理学要求。主要障碍之一是缺乏基准数据集与通用的物理评估协议。在本文中,我们提出一个 2-D 图-网格数据集,用于研究高雷诺数 regime(从 及以上)下翼型上的气流。我们还引入了翼型上应力力的度量,以在重要物理量上评估 GDL 模型。此外,我们提供了广泛的 GDL 基线。
引用
@article{arxiv.2206.14709,
title = {An extensible Benchmarking Graph-Mesh dataset for studying Steady-State Incompressible Navier-Stokes Equations},
author = {Florent Bonnet and Jocelyn Ahmed Mazari and Thibaut Munzer and Pierre Yser and Patrick Gallinari},
journal= {arXiv preprint arXiv:2206.14709},
year = {2022}
}
备注
ICLR 2022 Workshop on Geometrical and Topological Representation Learning