MeshGraphNets对流体力学中未见几何的泛化能力
机器学习
2024-08-13 v1 人工智能
数值分析
数值分析
流体动力学
摘要
本文考察了MeshGraphNets(MGN)在流体力学中对未见几何的泛化能力，例如预测新障碍物（该障碍物不属于训练数据）周围的流动。为此，我们创建了一个新的基准数据集，用于数据驱动的计算流体动力学(CFD)，该数据集在DeepMind的流体环流数据集基础上，通过包括不同形状和多个物体进行扩展。我们利用这个新数据集扩展了DeepMind对MGN进行的泛化实验，通过测试MGN在不同形状上的泛化能力。我们的numerical测试表明，MGN在某些情况下能够很好地泛化到各种形状，即通过在单一障碍物形状的数据集上训练，在另一种障碍物形状的数据集上进行测试。
引用
@article{arxiv.2408.06101,
title = {Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics},
author = {Robin Schmöcker and Alexander Henkes and Julian Roth and Thomas Wick},
journal= {arXiv preprint arXiv:2408.06101},
year = {2024}
}