JAX-Fluids 2.0: 迈向可微可压缩两相流计算流体力学的高性能计算
流体动力学
2024-02-09 v1 计算工程、金融与科学
机器学习
摘要
为了促进机器学习辅助的计算流体力学（CFD），我们推出了 JAX-Fluids 的第二个迭代版本。JAX-Fluids 是一个基于 Python 的完全可微 CFD 求解器，专为可压缩单相和两相流设计。在这项工作中，第一版被扩展以纳入高性能计算（HPC）能力。我们引入了一种利用 JAX 原始操作的并行化策略，该策略可在 GPU（最多 512 个 NVIDIA A100 显卡）和 TPU（最多 1024 个 TPU v3 核心）HPC 系统上高效扩展。我们进一步展示了在扩展积分轨迹上自动微分梯度的稳定并行计算。新的代码版本提供了增强的两相流建模能力。特别是，纳入了一个五方程扩散界面模型，作为水平集锐界面模型的补充。其他算法改进包括用于提高鲁棒性的保正限制器、对拉伸笛卡尔网格的支持、重构的 I/O 处理、全面的后处理例程以及更新的最先进高阶数值离散格式列表。我们通过展示单相和两相流的模拟结果来验证新添加的数值模型，包括湍流边界层和通道流、空气-氦气激波气泡相互作用以及空气-水激波液滴相互作用。
引用
@article{arxiv.2402.05193,
title = {JAX-Fluids 2.0: Towards HPC for Differentiable CFD of Compressible Two-phase Flows},
author = {Deniz A. Bezgin and Aaron B. Buhendwa and Nikolaus A. Adams},
journal= {arXiv preprint arXiv:2402.05193},
year = {2024}
}