XRePIT：在OpenFOAM中实现的深度学习-计算流体动力学混合框架，用于快速、鲁棒且可扩展的非定常模拟
机器学习
2026-04-21 v2 流体动力学
摘要
自回归神经代理模型为流体动力学提供了计算加速，但在长期展开中固有地存在误差累积和非物理漂移问题。尽管已经提出了结合代理模型和基于物理的求解器的混合策略，但它们仅限于低维基准的手动实现。在本研究中，我们提出了一个基于OpenFOAM的混合框架XRePIT（可扩展的基于残差的物理信息迁移学习），其特点是快速、鲁棒和可扩展。与先前的手动实现（例如RePIT）不同，XRePIT集成了一个全自动的开源工作流，该工作流基于监测的残差阈值管理神经代理模型与传统数值求解器（OpenFOAM）之间的状态转换。以三维浮力驱动流为测试平台，我们证明了这种残差引导的耦合能够实现稳定的长期模拟，远远超出独立代理模型的稳定性范围。我们的结果表明，混合循环实现了高达2.91倍的壁钟加速，同时将相对L2误差保持在O(1E-03)量级。此外，我们通过引入基于有限体积的傅里叶神经算子（FVFNO）来基准测试框架的可扩展性，证实了残差护栏的稳定效果与底层神经架构无关。这项研究为三维非定常流的快速、鲁棒和自动化混合模拟提供了一种可部署的方法。
引用
@article{arxiv.2510.21804,
title = {XRePIT: A deep learning-computational fluid dynamics hybrid framework implemented in OpenFOAM for fast, robust, and scalable unsteady simulations},
author = {Shilaj Baral and Youngkyu Lee and Sangam Khanal and Joongoo Jeon},
journal= {arXiv preprint arXiv:2510.21804},
year = {2026}
}