基于数据驱动的3D物体阴影图模拟
机器学习
2021-06-02 v1
摘要
本工作中，我们提出一种基于深度神经网络的等离子体阴影图替代模型——一种用于可视化透明介质中扰动的技術。我们用计算代价更低的基于投影的替代模型取代数值代码，该模型能够在给定时刻近似电场，而无需像数值方法那样计算所有先前的电场。这意味着基于投影的替代模型允许在给定计算域和配置的任意点恢复控制3D偏微分方程（3D波动方程）的解，而无需运行完整模拟。该模型在窄范围模拟参数内的数据插值问题中表现出良好的重建质量，并可用于大尺寸输入数据。
引用
@article{arxiv.2106.00317,
title = {Data-Driven Shadowgraph Simulation of a 3D Object},
author = {Anna Willmann and Patrick Stiller and Alexander Debus and Arie Irman and Richard Pausch and Yen-Yu Chang and Michael Bussmann and Nico Hoffmann},
journal= {arXiv preprint arXiv:2106.00317},
year = {2021}
}
备注
9 pages, 9 figures. Published as a workshop paper at ICLR 2021 SimDL Workshop