机器学习碰撞模型的在线优化以加速稀薄气体流动的直接分子模拟
流体动力学
2024-11-21 v1 计算物理
摘要
我们开发了一种在线优化算法，用于在稀薄气体流动模拟中原位校准碰撞模型。在线优化的碰撞模型能够在显著降低计算成本的情况下，在氩气中一维正激波的大范围温度和马赫数下达到与直接分子模拟（DMS）相似的精度。DMS是一种模拟稀薄气体的方法，它数值积分碰撞分子的轨迹。它通常达到与分子动力学（MD）模拟相当的保真度，后者完全解析所有粒子在所有时刻的轨迹。然而，DMS的计算成本远高于流行的直接模拟蒙特卡洛（DSMC）方法，后者使用简单的唯象碰撞模型。我们旨在通过用神经网络碰撞模型替换计算成本高昂的经典轨迹计算（CTC）来加速DMS。我们方法的一个关键特征是，机器学习（ML）碰撞模型在模拟过程中根据模拟中原地生成的小型CTC轨迹数据集进行在线优化。在线机器学习DMS（ML-DMS）能够在显著降低计算成本（约5-15倍）的情况下，在氩气一维正激波的大范围物理条件（马赫数，密度至，温度16K至300K）下再现MD和CTC-DMS的精度。我们还推导了一种在线优化方法，用于在给定原子间力模型的情况下校准DSMC碰撞模型。在我们对一维正激波的数值评估中，在线优化方法在精度上匹配或显著优于相对于CTC-DMS的VHS（可变硬球）DSMC（计算成本降低约20倍）。
引用
@article{arxiv.2411.13423,
title = {Online Optimisation of Machine Learning Collision Models to Accelerate Direct Molecular Simulation of Rarefied Gas Flows},
author = {Nicholas Daultry Ball and Jonathan F. MacArt and Justin Sirignano},
journal= {arXiv preprint arXiv:2411.13423},
year = {2024}
}