基于卷积神经网络的几何自适应稳态传热数据驱动建模:热对流
应用物理
2021-01-12 v1
摘要
本文基于神经网络,开发了一种数据驱动模型,用于极速预测二维空间中具有任意复杂几何形状的热物体之稳态热对流。根据控制方程,稳态热对流由对流与热扩散项主导,因而物理场的分布会在相邻点间表现出更强的相关性。因此,所提神经网络模型使用卷积神经网络(CNN)层作为编码器、反卷积神经网络(DCNN)层作为解码器。与全连接(FC)网络模型相比,CNN 基模型善于捕捉与重建低秩特征空间中的空间关系,如边缘相交、平行与对称。此外,我们采用符号距离函数(SDF)作为网络输入以表征问题几何,其相比二值图像包含更多信息。为展示所提网络模型强大的学习与泛化能力,训练数据集仅含简单几何的热物体:三角形、四边形、五边形、六边形与十二边形;而验证案例采用任意复杂几何。研究表明,训练后的网络模型能准确预测模型训练期间从未见过的复杂几何问题的速度与温度场;且预测速度比 CFD 快四个数量级。该网络模型准确且极快的预测能力显示了此类模型在未来实时控制、优化与设计中的应用潜力。
引用
@article{arxiv.2101.03692,
title = {Data-Driven Modeling of Geometry-Adaptive Steady Heat Transfer based on Convolutional Neural Networks: Heat Convection},
author = {Jiang-Zhou Peng and Xianglei Liu and Nadine Aubry and Zhihua Chen and Wei-Tao Wu},
journal= {arXiv preprint arXiv:2101.03692},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2010.03854