Neural SPH：Lagrangian 流体动力学的改进神经建模
流体动力学
2024-07-09 v2 机器学习
摘要
光滑粒子流体动力学（SPH）在现代工程和科学学科中无处不在。SPH 是一类 Lagrangian 格式，通过在演化的速度场中追踪有限物质点来离散化流体动力学。由于模拟的粒子特性，图神经网络（GNN）已成为具有吸引力且成功的替代模型。然而，此类基于 GNN 的模拟器的实际效用依赖于其忠实模拟物理的能力，即在长的时间跨度内提供准确且稳定的预测——这是一个公认的难题。在这项工作中，我们发现源于拉伸不稳定性的粒子聚集是主要陷阱之一。基于这些见解，我们利用标准 SPH 求解器中的不同组件（包括压力、粘性和外力组件）增强了最先进的基于 GNN 的模拟器的训练和 rollout 推理。所有经 Neural SPH 增强的模拟器均取得了优于基线 GNN 的性能，在 rollout 误差方面通常提高了数个数量级，从而允许显著更长的 rollout 和显著更好的物理建模。代码可在 https://github.com/tumaer/neuralsph 获取。
引用
@article{arxiv.2402.06275,
title = {Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics},
author = {Artur P. Toshev and Jonas A. Erbesdobler and Nikolaus A. Adams and Johannes Brandstetter},
journal= {arXiv preprint arXiv:2402.06275},
year = {2024}
}
备注
Accepted at the 41st International Conference on Machine Learning (ICML 2024). Project website: https://arturtoshev.github.io/neural-sph-blog/