面向环境流体力学快速模拟的多尺度图神经网络
流体动力学
2022-05-06 v1 机器学习
摘要
数值模拟器是研究自然流体系统的重要工具，但其性能常限制实际应用。近期的机器学习方法已展示出加速时空预测的能力，尽管相较之下精度仅属中等。本文引入 MultiScaleGNN，一种新颖的多尺度图神经网络模型，用于学习推断涵盖多长度尺度与复杂边界几何的非定常连续介质力学问题。我们在平流问题及不可压缩流体动力学上演示该方法，二者均为海洋与大气过程的基本现象。结果显示其对新域几何与参数的长期时间模拟具有良好外推能力。由 MultiScaleGNN 获得的模拟比其训练所基于的模拟快二至四个数量级。
引用
@article{arxiv.2205.02637,
title = {Towards Fast Simulation of Environmental Fluid Mechanics with Multi-Scale Graph Neural Networks},
author = {Mario Lino and Stathi Fotiadis and Anil A. Bharath and Chris Cantwell},
journal= {arXiv preprint arXiv:2205.02637},
year = {2022}
}
备注
Accepted at the ICLR 2022 Workshop on AI for Earth and Space Science. arXiv admin note: substantial text overlap with arXiv:2106.04900