基于傅里叶神经算子迁移学习的多保真度流体流动与温度场预测
流体动力学
2023-08-02 v1 机器学习
数值分析
数值分析
摘要
在船舶与航空航天工程中，数据驱动的流体流动与温度分布预测近年来受到广泛研究，并展现出实时预测的潜力。然而，通常需大量高保真数据以描述和准确预测复杂物理信息，而现实中由于实验/计算成本高昂，仅有有限高保真数据可用。因此，本工作提出一种基于傅里叶神经算子的新型多保真度学习方法，在迁移学习范式下联合丰富低保真数据与有限高保真数据。首先，作为分辨率不变算子，傅里叶神经算子首次且有效地被用于直接整合多保真度数据，可同时利用稀缺高保真数据与丰富低保真数据。随后，通过提取丰富低保真数据知识以辅助高保真建模训练，为当前任务开发迁移学习框架，以进一步提高数据驱动预测精度。最后，选取三个典型流体与温度预测问题验证所提多保真度模型的准确性。结果表明，与其他高保真模型相比，我们所提方法具有高有效性，且对所有选定物理场问题均达99%的高建模精度。显著的是，所提多保真度学习方法具有结构简单且高精度的潜力，可为后续模型构建提供参考。
引用
@article{arxiv.2304.06972,
title = {Multi-fidelity prediction of fluid flow and temperature field based on transfer learning using Fourier Neural Operator},
author = {Yanfang Lyu and Xiaoyu Zhao and Zhiqiang Gong and Xiao Kang and Wen Yao},
journal= {arXiv preprint arXiv:2304.06972},
year = {2023}
}