基于多重网格启发的神经网络架构的流体动力学代理建模
流体动力学
2021-05-11 v1 机器学习
计算物理
摘要
代数或几何多重网格方法常用于数值求解器中，因为它们是一种能够处理多尺度问题的多分辨率方法。在这项工作中，我们对常用的 U-Net 神经网络架构提出一种受多重网格方法原则启发的改进，此处称为 U-Net-MG。然后我们证明，在建模一组流体动力学问题时，所提出的 U-Net-MG 架构能相对于常规 U-Net 架构成功降低测试预测误差。总体而言，我们展示了在流过静止圆柱、异相运动双圆柱绕流以及振荡翼型在推进与能量收集模式下的经典流体动力学案例中速度和压力场预测的改进。一般而言，虽然 U-Net 和 U-Net-MG 模型都能以小于 1% 的测试 RMSE 良好建模系统，但使用 U-Net-MG 架构可进一步将 RMSE 降低 20% 至 70%。
引用
@article{arxiv.2105.03854,
title = {Surrogate Modeling of Fluid Dynamics with a Multigrid Inspired Neural Network Architecture},
author = {Quang Tuyen Le and Chin Chun Ooi},
journal= {arXiv preprint arXiv:2105.03854},
year = {2021}
}
备注
22 pages, 15 figures