BriefGPT - AI 论文速递
·
将机器学习局部预测与计算流体动力学求解器相结合以加速瞬态浮力羽流模拟
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该研究利用深度学习模型减小粗网格计算流体力学问题的空间离散化误差。通过替换对流项的差分方案，提高低分辨率模拟的质量。实验结果显示，该方法可将误差减小到传统求解器的约50%。
🎯
关键要点
- 研究提出了一种方法来减小粗网格CFD问题的空间离散化误差。
- 利用高质量数据训练深度学习模型，提高低分辨率模拟的质量。
- 用前馈神经网络替换对流项的默认差分方案，插值速度以接近细网格数据。
- 深度学习框架与开源CFD代码OpenFOAM集成，形成端到端可微化模型。
- 使用离散伴随代码版本自动微分CFD物理学。
- 提出TensorFlow和OpenFOAM之间的快速通信方法，加速训练过程。
- 模型应用于方形柱问题的流动，误差减小约50%，网格粗糙度为8倍。
- 架构利用物理学的局部特征，生成稳定的中期模拟预测，训练时间和数据样本可接受。
➡️
