利用图神经网络增强 CFD 中的数据同化
流体动力学
2023-12-01 v1 机器学习
摘要
我们提出了一种应用于流体力学中数据同化的新颖机器学习方法，该方法基于由图神经网络（GNNs）模型增强的伴随优化。我们以雷诺平均 Navier-Stokes（RANS）方程作为基线，其中未知量为平均流，且需要基于雷诺应力张量的闭合模型以正确计算解。我们构建了一个端到端流程：首先，我们训练一个用于闭合项的 GNN 模型；其次，将该 GNN 模型引入数据同化的训练过程中，其中 RANS 方程作为物理约束以保证预测的一致性。我们使用基于有限元方法（FEM）求解器的直接数值模拟获得结果；GNN 模型与求解器之间的双重接口使得 GNN 的预测能被纳入 FEM 分析的后处理步骤。所提方案在不进行任何特征选择的情况下提供了平均流的优异重建；初步结果显示对未见流动构型具有令人鼓舞的泛化性质。
引用
@article{arxiv.2311.18027,
title = {Enhancing Data-Assimilation in CFD using Graph Neural Networks},
author = {Michele Quattromini and Michele Alessandro Bucci and Stefania Cherubini and Onofrio Semeraro},
journal= {arXiv preprint arXiv:2311.18027},
year = {2023}
}
备注
Presented at: Machine Learning and the Physical Sciences Workshop, NeurIPS 2023