computational fluid dynamics
PulseAugur coverage of computational fluid dynamics — every cluster mentioning computational fluid dynamics across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
新的STCO框架增强了时变偏微分方程的神经算子预测能力
研究人员推出了一种新颖的条件神经算子STCO，用于时变偏微分方程（PDE）。该新框架允许基于诸如身体运动或流入等规定输入进行条件预测，这些输入并非仅由观测状态决定。STCO集成了流感知图叶（FAGL）和双站点特征线性调制（DSFiLM），以有效地将这些规定条件整合到各种骨干架构中。在计算流体动力学基准测试上的评估表明，在多个骨干架构和条件下，预测误差显著降低，性能得到提升。
-
残差学习改进非定常气动载荷预测
研究人员探索了使用残差学习与长短期记忆（LSTM）神经网络相结合的方法，以增强航空弹性应用中非定常气动载荷的预测能力。该研究使用了NLR 7301翼型基准，将学习计算流体动力学（CFD）升力数据与基于物理的瓦格纳函数模型之间差异的残差模型与直接神经网络模型进行了比较。在各种测试中，残差方法表现出更强的泛化能力和更低的误差率，表明其有潜力增强经典的空气动力学理论。
-
新的深度学习模型增强了AAA血流动力学预测
研究人员开发了一种新颖的改进型多输入多输出物理信息深度算子网络（M3PI-DeepONet）架构，以更准确地预测腹主动脉瘤（AAA）中复杂的3D血流动力学。该新模型集成了Navier-Stokes方程，并采用聚合注入策略融合来自多个输入分支的信息，从而实现自适应坐标基。M3PI-DeepONet的相对L2速度误差低于4%，压力误差约为5%，同时与传统的计算流体动力学模拟相比，推理速度也得到了显著提升。
-
神经ODE预测电力变压器热行为
研究人员开发了一个新颖的框架，使用神经常微分方程（Neural ODEs）来准确建模和预测电力变压器的热行为。这种物理感知的方法将简化的传热方程直接整合到神经ODE的公式中，与计算成本高昂的数值模拟或纯粹数据驱动的机器学习模型相比，提供了一种更鲁棒和标准化的方法。该框架在挪威十五个不同变压器单元的数据上进行了评估，证明了其在捕捉不同条件下的动态热响应方面的有效性。
-
新的ADEx-FNO框架统一了用于复杂几何形状的傅里叶神经网络算子
研究人员推出了一种新颖的ADEx-FNO框架，旨在增强傅里叶神经网络算子（FNOs）在涉及复杂和变化几何形状的应用。该方法将物理域嵌入固定的环境超立方体中，允许FNOs在不改变核心算子层的情况下处理不同离散化数据。ADEx-FNO在计算流体动力学（CFD）模拟中表现出显著的改进，减少了传统求解器所需的伪时间迭代次数，并在将学习到的数据迁移到不同物理条件方面显示出有希望的结果。
-
新型PCINN模型高精度预测SALD表面覆盖度
研究人员开发了一种物理化学感知神经网络 (PCINN)，旨在高精度、高速度地预测空间原子层沉积 (SALD) 中的表面覆盖度。这种混合代理模型能在毫秒级时间内达到计算流体动力学 (CFD) 级别的精度，在实时应用方面显著优于传统的计算流体动力学方法。PCINN架构被设计为可解释的，并在模型中集成了一个可训练的化学层，能够稳健地识别吸附和解吸能等动力学参数。
-
Robostreet Flow架构通过电动、自动驾驶编队大幅降低货运成本
一篇新研究论文介绍了“Robostreet Flow”，这是一种旨在显著降低成本的货运交通创新架构。该系统采用轻量级、超低风阻的电动牵引车，其风阻系数比传统卡车低40%。它以混合编队形式运行，其中一名驾驶员在领头车辆中管理三辆自动驾驶的跟随卡车，利用计算流体动力学为后方车辆实现显著的空气动力学阻力降低。这种结合了车辆设计和编队效率的集成方法，旨在将运营成本比柴油卡车降低56%。
-
AI研究通过新颖的牛顿法和Transformer方法加速PDE求解器
两篇新的研究论文提出了使用机器学习技术加速求解复杂偏微分方程（PDE）的新颖方法。第一篇论文介绍了一种两阶段牛顿初始猜测策略，该策略从预计算解和中间增量中学习特征，以减少高保真牛顿法所需的迭代次数。第二篇论文提出了“Physics Transformer”，一种针对PDE预测定制的Transformer架构，它使用函数投影从采样场创建具有物理表达能力的token，从而能够在包括工业规模模拟在内的各种基准测试中实现准确预测。
-
流体动力学中神经网络代理的无标签训练方法
研究人员开发了一种新颖的热流场预测神经网络代理训练方法，该方法基于最小化有限体积法（FVM）残差的无标签方法。该技术应用于注意力图神经网络，绕过了传统数值求解器生成的昂贵标记训练数据的需求。FVM-loss模型表现强劲，在稳态基准测试中实现了低误差率，并在瞬态情况下优于数据监督方法，同时消除了数据生成费用。
-
新AI框架优化氢气泄漏检测传感器
研究人员开发了一种新颖的计算框架，用于优化封闭基础设施（如车辆停车场）中氢气泄漏的传感器布局。该系统集成了计算流体动力学（CFD）、遗传算法（GA）和DeepSets神经网络代理模型。优化的布局在60秒内实现了96.1%的检测率，并显著减少了盲区，优于均匀和随机布局。
-
CFD通过先进的船舶设计模拟彻底改变船舶工程
计算流体动力学（CFD）通过在船舶建造前进行详细的流体行为模拟，正在彻底改变船舶工程。该技术允许工程师通过分析船体水动力学、推进效率和空蚀等因素来优化船舶设计、预测性能并提高可持续性。通过减少对昂贵物理模型的依赖，CFD加速了设计过程，并为海事行业带来了显著的燃油节省和更高的安全性。
-
Fortran 代码通过 LFortran 和 Enzyme 实现自动微分
研究人员开发了一种方法，为遗留的 Fortran 代码启用自动微分，使其能够集成到 JAX 和 PyTorch 等现代机器学习框架中。该方法使用 LFortran 将 Fortran 编译为 LLVM IR，然后 Enzyme 在此基础上应用自动微分。生成的微分物理引擎可以被 Tesseract 包装为自定义 JAX 原始类型，从而可以在不重写原始模拟代码的情况下用于复杂的机器学习管道。尽管仍处于实验阶段，但该技术提供了一种利用数十年…
-
新框架使用MoE-NO增强工程形状优化
研究人员开发了一个新的工程形状优化框架，解决了手动设置和代理模型可靠性的挑战。该方法将基于知识的约束转化为变形算子的可量化参数，从而实现更可控的优化。此外，还创建了一个混合专家神经网络算子（MoE-NO）来提高不同空气动力学数据集上的阻力预测精度和一致性。还包含了一个不确定性估计策略，用于识别分布外几何并触发物理求解器反馈以进行改进。
-
GenDA框架使用扩散模型重建城市风场
研究人员开发了GenDA，一个新颖的生成数据同化框架，旨在利用有限的传感器数据在复杂的城市环境中重建高分辨率风场。该系统利用多尺度基于图的扩散架构，将无分类器引导解释为学习到的后验重建机制。这种方法允许GenDA在无需重新训练的情况下泛化到不同的网格几何和传感器配置，通过显著降低误差和提高结构相似性，其性能优于现有的图神经网络基线和经典数据同化方法。
-
CodeJeNN 为物理应用从 Keras 模型生成 C++ 代码
研究人员开发了 CodeJeNN，一个可以从 Keras 模型自动生成 C++ 代码以用于物理应用的工具。该方法旨在克服将基于 Python 的机器学习库集成到高性能 C++ 解算器中时出现的性能瓶颈。CodeJeNN 生成独立的 C++ 代码，消除了外部依赖，并能够无缝集成到现有框架中，基准测试和计算流体动力学测试案例证明了这一点。
-
视频扩散模型被重新用作快速风流模拟器
研究人员开发了WinDiNet，这是一种新颖的方法，它将预训练的视频扩散模型LTX-Video重新用作城市风流计算流体动力学（CFD）模拟的快速且可微分的代理。通过在10,000次CFD模拟上进行微调，WinDiNet可以在一秒钟内生成完整的风流展开，显著降低了为行人舒适度和安全性设计城市空间相关的计算成本。该模型的可微分性还支持基于梯度的逆向优化，可以直接优化建筑物位置以改善风况，并通过传统的CFD方法验证了改进效果。
-
新型AI模型提高了复杂流体结构的CFD模拟精度
研究人员开发了一种新颖的物理信息傅里叶-小波变换器，旨在提高计算流体动力学（CFD）模拟的精度，特别是在处理局部多尺度结构方面。该模型集成了混合傅里叶-小波谱编码与物理偏置自注意力机制，并采用了自监督预训练技术。在圆柱尾流和流固耦合交互基准测试上的实验表明，该模型在精度和局部尾流特征重建方面优于现有方法，同时保持了实际的精度-成本权衡。
-
强化学习加速空气动力学形状优化
研究人员开发了一种新颖的强化学习（RL）算法，旨在加速空气动力学形状优化。该方法采用Actor-Critic策略评估方法，允许对某些优化参数进行时间冻结，以减少计算量。该算法旨在通过利用由中间计算流体动力学模拟提供信息的局部参数变化来提高全局优化速度，前提是局部邻域估计准确。
-
机器学习精确识别船舶水动力学特性
一项发表在arXiv上的新研究探讨了应用监督机器学习，特别是像Ridge回归这样的正则化回归技术，来辨识船舶水动力学系数。该研究利用了从船舶操纵（如之字形和回转试验）的CFD模拟生成的合成数据。研究结果表明，这些方法可以有效缓解多重共线性问题并提高预测精度，而多样化的操纵数据则能增强模型性能。
-
新的生成模型加速流体动力学模拟
研究人员已将生成漂移框架应用于流体力学模拟，旨在加速计算流体动力学（CFD）过程。他们新的条件架构在VAE潜在空间内运行，并使用标签感知掩码来确保生成的样本符合边界条件。该方法实现了与迭代扩散方法相当的准确性和流动一致性，但速度快了两个数量级，能够实现实时CFD替代模型。