基于 CNN 的深度学习架构比较：针对小数据集上的不可稳 CFD 加速
机器学习
2025-02-12 v1 流体动力学
摘要
CFD 加速是核工业中虚拟核反应堆或数字孪生技术的主要目标。本研究比较了基于小数据集的不可稳计算流体动力学 (CFD) 仿真加速所用的先进卷积神经网络 (CNN) 架构。基于具有挑战性的自然对流流动数据集，对评估了如自编码器、UNet 和 ConvLSTM-UNet 等先进架构，在相同条件下确定其在自回归时间序列预测中的预测准确性和鲁棒性。ConvLSTM-UNet 在差值计算方面始终优于其他模型，实现了更低的最大误差和稳定的残差。然而，误差累积仍是一个挑战，限制了可靠预测约为 10 个时间步。这一工作的新颖之处在于其在 RePIT 框架下对最新 CNN 模型的公平比较，展示了在小数据条件下加速 CFD 仿真的潜力，同时识别了其局限性。未来研究将关注探索替代模型，如图神经网络和隐式神经表示。这些努力旨在开发一种稳健的混合方法，用于长期不可稳 CFD 加速，为虚拟核反应堆的实际应用做出贡献。
引用
@article{arxiv.2502.06837,
title = {Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets},
author = {Sangam Khanal and Shilaj Baral and Joongoo Jeon},
journal= {arXiv preprint arXiv:2502.06837},
year = {2025}
}
备注
9 figures, 3 Tables