利用贝叶斯神经网络的随机预测进行流体模拟
流体动力学
2022-05-04 v1 机器学习
摘要
我们通过贝叶斯神经网络（BNNs）在流体模拟中的非确定性预测，研究不确定性估计与多模态。为此，我们在三个复杂度递增的挑战性实验测试用例中部署 BNNs：我们表明，当用作稳态流体流动预测的替代模型时，BNNs 能提供准确的物理预测以及合理的不确定性估计。此外，我们利用来自 Navier-Stokes 模拟的扰动时间序列进行实验，并评估 BNNs 捕捉多模态演化的能力。尽管我们的发现表明这对于大扰动是有问题的，但结果显示网络在这种情况中学会正确预测高不确定性。最后，我们在湍流等离子体流动的求解器交互背景下研究 BNNs。我们发现基于 BNN 的校正网络能够稳定粗粒化模拟并成功创建多模态轨迹。
引用
@article{arxiv.2205.01222,
title = {Leveraging Stochastic Predictions of Bayesian Neural Networks for Fluid Simulations},
author = {Maximilian Mueller and Robin Greif and Frank Jenko and Nils Thuerey},
journal= {arXiv preprint arXiv:2205.01222},
year = {2022}
}