基于图神经网络实现颗粒悬浮体系的快速模拟
机器学习
2022-08-24 v1 流体动力学
摘要
预测悬浮颗粒在流体动力学相互作用(HI)和外部驱动下的动力学行为对许多应用至关重要。借助先进的深度学习技术,本文提出了一个新框架——流体动力学相互作用图神经网络(HIGNN),用于推断和预测斯托克斯悬浮液中颗粒的动力学。它克服了传统方法在计算效率、准确性和/或可迁移性方面的局限。具体而言,通过结合由图表示的数据结构与带可学习参数的神经网络,HIGNN为颗粒的迁移率张量构建了替代模型,而该张量是预测受HI和外力的颗粒动力学的关键。为考虑HI的多体性质,我们通过向图及相应卷积操作引入高阶连通性,推广了最先进的GNN。训练HIGNN仅需感兴趣区域内少量颗粒的数据,因此训练成本可保持较低。一旦构建完成,HIGNN可快速预测颗粒速度,并能迁移至同一区域内不同数量/浓度的颗粒悬浮液以及任意外部作用力。它能够准确捕捉长程HI和短程润滑效应。我们在多种系统中展示了所提HIGNN框架的准确性、效率和可迁移性。其对计算资源的需求极低:大多数模拟仅需一台带一块GPU的台式机;10万颗粒的大型悬浮液模拟最多需要6块GPU。
引用
@article{arxiv.2206.13905,
title = {Fast Simulation of Particulate Suspensions Enabled by Graph Neural Network},
author = {Zhan Ma and Zisheng Ye and Wenxiao Pan},
journal= {arXiv preprint arXiv:2206.13905},
year = {2022}
}