使用深度神经网络预测不可压流中未充分分辨三角刚体的运动
流体动力学
2021-09-07 v2 数值分析
数值分析
计算物理
摘要
我们考虑不可压流体中的非球形刚体颗粒，其尺度 regime 下颗粒过大而不能假设仅随流体平流而无回耦，同时也过小而使完全分辨的直接数值模拟不可行。带有 ghost-penalty 稳定的非拟合有限元方法非常适合于此设定提出的流固耦合问题，因其灵活且精确的几何处理以及允许几何中的拓扑变化。在此处提出的计算上未充分分辨的设定中，通过其边界积分公式精确计算力不可行。此外，由于颗粒形状，解析定律不可用。然而，力的精确值对颗粒的真实运动至关重要。为精确获取这些力，我们使用来自原型分辨模拟的数据训练一个人工深度神经网络。该网络随后能够基于在未充分分辨设定中可精确获得的信息预测力值。结果，我们在非常粗且未充分分辨的网格上获得的力平均比来自 Navier-Stokes 解的直边界积分计算精确一个数量级，从而得到与高分辨网格上获得的固体运动相当的运动，而后者会大幅增加模拟成本。
引用
@article{arxiv.2102.11636,
title = {Using a deep neural network to predict the motion of under-resolved triangular rigid bodies in an incompressible flow},
author = {Henry von Wahl and Thomas Richter},
journal= {arXiv preprint arXiv:2102.11636},
year = {2021}
}