机器学习加速 Stokes 悬浮液模拟
计算物理
2019-07-03 v1
摘要
颗粒 Stokes 流描述了 Stokes 流中刚性或可变形的颗粒的流体动力学。由于高度非线性的流固耦合动力学、移动界面和多尺度,此类流的数值模拟具有挑战性且代价高昂。在本快报中,我们提出了一种用于这些流的通用机器学习增强降阶模型。我们的模型以多层感知机替代数值格式中昂贵的部分。给定颗粒的物理参数,我们的模型可泛化至任意几何与边界条件,无需重新训练回归函数。它比具有相同自由度数量的最先进数值格式快 10 倍,且能相当准确地复现流的若干特征。我们在二维囊泡悬浮液的积分方程形式上说明了模型的性能。
引用
@article{arxiv.1903.05278,
title = {Machine learning acceleration of simulations of Stokesian suspensions},
author = {Gokberk Kabacaoglu and George Biros},
journal= {arXiv preprint arXiv:1903.05278},
year = {2019}
}