标签
TurtLES 推出了一个 14TB 的三维湍流圆柱尾流基准数据集,用于评估神经 PDE 代理模型,并对最先进的神经算子进行了基准测试,揭示了时间不稳定性和小尺度能量损失等失效模式。
本文提出 FG-ConvNO(因子化几何卷积神经算子),一种面向几何感知的神经算子,用于在有限训练数据下对螺旋桨表面压力和总推力进行高精度计算流体动力学(CFD)预测,并结合 DISCO 块实现离散化无关建模。
一段展示三维绕球流体仿真中镜头平移效果的演示视频。该仿真是通过有限元方法求解 Navier-Stokes 方程得到的。这条推文演示了一个交互式/带动画的 CFD 可视化工具。
本文介绍了Transformer-Mamba for Flow Field (TM4FF)框架,这是一种受物理约束的算子学习模型,通过Residual Wavelet Mamba和physics-informed loss等创新,提升了计算流体动力学模拟的准确性和鲁棒性。
本文提出了STCO,一种用于时间依赖偏微分方程中预设条件算子学习的条件神经算子。它通过纳入各种条件场提高了预测精度,并在多种架构上显示出显著的误差降低。
本文介绍了一种基于物理感知自编码器的潜空间框架,用于参数化动力系统的降阶正向建模和变分参数估计,并在计算流体动力学基准上进行了演示。该方法实现了基于可微代理的逆向建模,并在现实噪声或部分观测条件下展现出更好的校准鲁棒性。
本文开发了神经算子代理模型,用于预测浸没边界软体游泳器周围的水动力学场(速度、涡量、压力),在保留轨迹上实现了较低的全局相对误差,同时指出压力精度和物理一致性是进一步工作的重点。
提出了MHLF,一种多层次网格分层学习框架,可将工程尺度三维飞机CFD模拟加速3至8倍,同时在亚音速、跨音速和超音速状态下保持高保真精度。
本文介绍了“数据引导的 FVM-PINN”框架,该框架利用有限体积损失来求解二维浅水方程,并证明稀疏数据指导对于防止网络在崎岖的损失景观中崩溃至关重要。
本文提出了一种新颖的深度学习方法来预测微流控装置中的惯性升力,无需显式几何参数,与以前的模型相比,该方法能够更好地泛化到未见过的通道横截面。