增强图U-Net用于网格无关的时空流预测
机器学习
2024-10-18 v2 人工智能
流体动力学
摘要
本研究旨在通过探索图U-Net在非定常流场预测中的潜力，克服基于卷积神经网络的传统深度学习方法在复杂几何和非结构化网格中的局限性。我们全面研究了最初为分类任务开发的图U-Net，现将其定制为用于流体动力学网格无关的时空预测。我们的重点是通过系统超参数调整和架构修改来增强其性能。我们提出了新颖的方法，利用图U-Net改进瞬态流场的网格无关时空预测，使其能够在不同网格配置上进行准确预测。图U-Net架构的关键增强，包括高斯混合模型卷积算子和噪声注入方法，为建模节点动力学提供了更大的灵活性：前者相比传统卷积算子将预测误差降低了95%，而后者提高了长期预测的鲁棒性，使误差降低了86%。我们在直推和归纳学习设置中展示了这些增强的有效性，展示了图U-Net对各种流动条件和网格结构的适应性。这项工作通过将图U-Net确立为卷积神经网络的一种可行且灵活的替代方案，为计算流体力学的降阶建模领域做出了贡献，能够准确高效地预测跨不同场景的复杂流体流动现象。
引用
@article{arxiv.2406.03789,
title = {Enhancing Graph U-Nets for Mesh-Agnostic Spatio-Temporal Flow Prediction},
author = {Sunwoong Yang and Ricardo Vinuesa and Namwoo Kang},
journal= {arXiv preprint arXiv:2406.03789},
year = {2024}
}