用于稳态Navier-Stokes方程快速近似的堆叠生成式机器学习模型
计算工程、金融与科学
2021-12-14 v1 人工智能
数值分析
数值分析
流体动力学
摘要
计算流体动力学（CFD）仿真在工程与物理中应用广泛。对流体动力学的标准描述需要在不同流动状态下求解Navier-Stokes（N-S）方程。然而，CFD仿真的应用受限于高性能计算的可获得性、速度与并行性。为提高计算效率，机器学习技术已被用于创建加速的数据驱动CFD近似。此类方法多数依赖大规模带标签CFD数据集，而以构建鲁棒数据驱动模型所需规模获取这些数据集代价高昂。我们开发了一种弱监督方法，在多种边界条件下求解稳态N-S方程，使用带有边界与几何条件的多通道输入。我们在无任何带标签仿真数据的情况下取得了最先进的结果，而是通过定制数据驱动与物理信息损失函数，并利用小尺度解来引导模型求解N-S方程。为提高分辨率与可预测性，我们训练了复杂度递增的堆叠模型以生成N-S方程的数值解。无需昂贵计算，我们的模型在各种障碍与边界条件下实现了高可预测性。鉴于其高灵活性，该模型在普通台式机上可在5 ms内生成64 x 64域上的解，比常规CFD求解器快1000倍。将交互式CFD仿真迁移至本地消费级计算硬件，可在数据传输受限的物联网设备上实现实时预测的新应用，并能够提升边值流体问题的规模、速度与计算成本效益。
引用
@article{arxiv.2112.06419,
title = {Stacked Generative Machine Learning Models for Fast Approximations of Steady-State Navier-Stokes Equations},
author = {Shen Wang and Mehdi Nikfar and Joshua C. Agar and Yaling Liu},
journal= {arXiv preprint arXiv:2112.06419},
year = {2021}
}
备注
Under Review