computational fluid dynamics
PulseAugur coverage of computational fluid dynamics — every cluster mentioning computational fluid dynamics across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
AI生成流场以实现更快的3D水下导航
研究人员开发了一种新颖的3D水下路径规划方法，通过使用生成流场代理，特别是条件生成对抗网络（cGAN）。这些cGAN，包括PatchGAN和具有自注意力机制的2D3DGAN，可以替代计算成本高昂的雷诺平均纳维-斯托克斯（RANS）模拟。生成模型能够快速合成复杂的流场体积，从而实现自主水下航行器（AUVs）的实时路径规划。该方法显著降低了能源消耗，并避免了高速尾流的遭遇，为海上机器人提供了实用的解决方案。
-
AI将通用汽车工程模拟时间从数小时缩短至数分钟
通用汽车通过整合人工智能和机器学习，正在显著加速其工程和设计流程。此前，计算流体动力学（CFD）和有限元分析（FEA）等复杂模拟需要跨部门进行缓慢的迭代接力。现在，AI将这些虚拟开发任务的时间从数小时缩短至短短几分钟，从而实现了更快的原型设计和优化。
-
多网格分层学习加速飞机流动模拟
研究人员开发了一种新的多网格分层学习框架MHLF，用于加速大型三维飞机设计的计算流体动力学（CFD）模拟。该方法结合了几何多网格表示和分层策略，以有效捕捉流动异质性。MHLF在不牺牲精度的前提下，在不同马赫数下模拟效率提高了3到8倍，为高保真飞机流动模拟的数据驱动加速铺平了道路。
-
AI框架增强SMR模拟以支持数字孪生
研究人员开发了一种结合降阶模型（ROM）和神经算子来模拟计算流体动力学（CFD）的新框架。该方法旨在实现小型模块化反应堆（SMR）数字孪生技术所需的实时热工水力模拟。研究比较了不同的神经算子架构，包括DeepONet和傅里叶神经算子（FNO），并引入了一种多尺度技术来改进复杂流动动力学的预测。
-
神经网络算子将CFD中的贝叶斯逆向设计加速1000倍以上
研究人员开发了一种方法，通过集成神经网络算子来显著加速计算流体动力学（CFD）的贝叶斯逆向设计。该方法允许从有限的流动数据中推断空气动力学几何形状，同时准确量化不确定性。通过在马尔可夫链蒙特卡洛采样循环中用训练好的深度算子网络替换计算成本高昂的CFD求解器，推理时间减少到一秒以内，速度提高了三个数量级以上。该研究还探索了用于单次几何重建的直接逆向神经网络算子，展示了在空气动力学应用中进行实际的、考虑不确定性的逆向设计的潜力。
-
神经场高精度预测飞机迫降载荷
研究人员开发了一种基于条件神经场的降阶模型，用于预测飞机迫降载荷。该方法与LSTM网络结合，以比传统的基于网格的方法更少的参数实现了高时空预测精度。值得注意的是，该模型通过准确重建不同空间离散化下的载荷，展示了其灵活性，使其能够用于各种训练数据集并预测不同配置下的载荷。
-
新框架增强了具有时空感知的AI模拟
研究人员开发了一个新框架，以增强用于物理模拟的机器学习模型，特别解决了当前训练范式中的局限性。他们的方法引入了用于空间一致性的多节点预测、用于稳定性的使用交叉注意力的时域校正机制，以及用于捕捉旋转对称性的具有旋转位置嵌入的几何归纳偏置。这些创新在多种架构和数据集上进行了评估，显示出在准确性和稳定性方面的一致改进，尤其是在长期预测方面。
-
AI加速的CFD模拟适配IPU平台展现性能提升
研究人员已将AI加速的计算流体动力学（CFD）模拟适配到Graphcore的智能处理单元（IPU）上运行。该研究专注于训练机器学习模型来预测模拟状态，利用定制的TensorFlow和针对IPU-POD16平台的Poplar SDK。通过使用popdist库，他们在数据馈送方面实现了高达34%的加速，并且从2个IPU扩展到16个IPU显著提高了吞吐量。
-
赛车运动团队利用AI加速空气动力学模拟
人工智能正成为赛车运动中一个强大的新工具，旨在克服传统计算流体动力学（CFD）模拟的局限性和成本。虽然CFD已经推动了汽车空气动力学领域的发展，但其计算需求已成为赛车队的一个重大瓶颈。AI为分析气流和优化汽车设计提供了一种可能更快、更有效的方法，是对现有风洞和CFD技术的补充。
-
Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD
研究人员开发了一种新的基于图的神经算子，称为 Gauge-Invariant Spectral Transformer (GIST)，旨在加速赛车设计的空气动力学模拟。该模型在一个由专家验证的高保真赛车空气动力学数据集上进行训练，解决了先前在简单形状上训练的 AI 模型的局限性。GIST 展现了最先进的准确性，并有潜力在工业赛车工作流程中实现交互式设计空间探索。
-
新的基准套件评估大语言模型在复杂计算流体动力学任务上的能力
研究人员开发了CFDLLMBench，一个旨在评估大语言模型在计算流体动力学（CFD）领域能力的新基准套件。该基准包含三个部分：用于知识评估的CFDQuery，用于数值和物理推理的CFDCodeBench，以及用于工作流实现的FoamBench。该套件旨在提供一种严谨且可复现的方法来量化大语言模型在自动化复杂科学实验方面的性能。
-
AI研究探索了范畴论表述、因果学习和自适应模型合并
研究人员开发了一个多保真代理建模框架，用于预测集装箱船的风载荷，结合了经验数据和CFD模拟，以提高准确性和降低计算成本。另一篇论文介绍了一种使用闭式对数几率聚合器的先验无关鲁棒预测聚合方法，实现了接近最优的最小最大遗憾保证。此外，还提出了一个用于邻域聚合深度学习的新理论框架，为卷积神经网络提供了数学解释。最后，提出了一个名为Doloris的生成框架，用于非配对单细胞扰动估计，利用双扩散模型和稀疏性掩码策略来捕捉复杂的生物数据。