不可压缩流体求解器与深度卷积神经网络耦合的性能与精度评估
流体动力学
2021-09-24 v2 机器学习
摘要
泊松方程的求解通常是不可压缩流体求解器中计算量最大的步骤之一。近来，深度学习尤其是卷积神经网络(CNN)被引入求解该方程，显著减少了推理时间，但代价是缺乏对解精度的保证。这一缺陷可能导致不准确甚至潜在不稳定的模拟，并且使得在改变网络架构时无法对CNN加速比进行公平评估，因为评估是在不同误差水平上进行的。为规避此问题，我们开发了一种混合策略，将CNN与传统迭代求解器耦合，以确保用户定义的精度水平。该CNN混合方法在两个流动案例上进行了测试，包括有障碍和无障碍的变密度羽流，展现出卓越的泛化能力，保证了模拟的精度与稳定性。我们进一步研究了使用多种网络架构时预测结果的误差分布。结果表明，定义为速度场平均散度的混合策略阈值得以确保基于CNN的混合计算策略具有一致的物理行为。该策略允许在不同网络架构下于相同精度水平对CNN性能进行系统评估。特别地，我们证明了在网络架构中引入多尺度的重要性，因为相较于前馈CNN架构，这同时改善了精度与推理性能，此类网络可提供比传统迭代求解器快1 10-25倍的解。
引用
@article{arxiv.2109.09363,
title = {Performance and accuracy assessments of an incompressible fluid solver coupled with a deep Convolutional Neural Network},
author = {Ekhi Ajuria Illarramendi and Michaël Bauerheim and Bénédicte Cuenot},
journal= {arXiv preprint arXiv:2109.09363},
year = {2021}
}