基于局部收敛输入的神经网络（NNLCI）用于非结构网格下的超音速流动问题
数值分析
2023-10-25 v1 人工智能
机器学习
数值分析
流体动力学
摘要
近年来，基于深度神经网络（DNN）的代理模型被广泛用于求解偏微分方程，而这类问题传统上由数值模拟处理。然而，此类代理模型侧重于训练数据集的全局插值，因此需要庞大的网络结构。该过程既耗时又计算昂贵，从而限制了它们在复杂物理问题高保真预测中的应用。在本研究中，我们开发了具有局部收敛输入的神经网络（NNLCI），用于基于非结构数据的高保真预测。该框架利用具有收敛粗解的局部依赖域作为输入，大幅降低了计算资源与训练时间。作为一个验证案例，NNLCI 方法被应用于研究带凸块通道中的无粘超音速流动。考虑了不同的凸块几何形状与位置，以基准测试所提方法的有效性与通用性。包括激波相互作用在内的详细流动结构得到了系统性考察。
引用
@article{arxiv.2310.15299,
title = {Neural Network with Local Converging Input (NNLCI) for Supersonic Flow Problems with Unstructured Grids},
author = {Weiming Ding and Haoxiang Huang and Tzu Jung Lee and Yingjie Liu and Vigor Yang},
journal= {arXiv preprint arXiv:2310.15299},
year = {2023}
}
备注
23 pages, 21 figures