computational fluid dynamics
PulseAugur coverage of computational fluid dynamics — every cluster mentioning computational fluid dynamics across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新型AI模型高精度预测汽车空气动力学
研究人员开发了HGPTrans，一种新颖的分层图池化Transolver模型，旨在快速预测汽车的气动阻力系数。该模型集成了用于局部几何的图同构卷积、用于全局交互的基于Transolver的注意力以及用于精炼节点信息的层次化池化。在DrivAerNet和DrivAerNet++数据集上进行测试，HGPTrans与传统的计算流体动力学方法相比，表现出更高的准确性和显著缩短的推理时间。
-
AI框架以10000倍加速优化数据中心热管理规划
研究人员开发了一个由AI驱动的框架，用于优化数据中心容量规划，以应对大型语言模型带来的热挑战。该框架利用一个AI模型，从机架功率、服务器放置和HVAC设置等各种参数中学习，以毫秒级速度预测温度。与高保真CFD模拟相比，该AI模型在未见过的数据中心设计上实现了10000倍的加速和高精度，能够即时优化工作负载分配和散热效率。
-
神经场集成赢得空气动力学预测挑战赛
研究人员开发了一种使用神经场集成预测空气动力学表面特性的新方法，在 ONERA CRM 墙分布回归挑战赛中获得第一名。该方法将问题建模为条件神经场，将空间坐标、表面法线和操作条件映射到空气动力学壁面量。通过结合傅里叶特征编码、集成学习策略和 k 折交叉验证，该模型在有限数据上显著提高了预测精度，在复杂的飞机配置上优于基线方法。
-
物理信息神经网络应用于主动脉瘤研究
研究人员开发了一个新颖的三维物理信息神经网络（PINN）框架，用于研究人体主动脉内的血流动力学。该模型模拟了为期两分钟的脉动血流，可以提取详细的压力和速度场。通过使用拉普拉斯定律量化主动脉壁上的机械应力，PINN方法提供了一种比传统计算流体动力学（CFD）方法更具计算效率的替代方案，降低了开销，并利用自动微分实现可扩展性和成本节约。
-
新的流态注意力网络提高了空气动力学预测的准确性
研究人员推出了一种新颖的深度学习模型——流态注意力网络（FSAN），旨在提高空气动力学预测的准确性和适用性。传统的计算流体动力学（CFD）方法计算成本高昂，限制了其在设计过程中的应用。FSAN通过分别编码几何和流动条件，并将几何体划分为不同的流动状态，来解决现有深度学习代理模型的局限性。这种方法可以更精确地交互几何和流动信息，从而在基准数据集上获得卓越的预测精度。
-
VFNet：新型神经网络通过多视图视频估算空隙率
研究人员开发了VFNet，一种新颖的双分支时空神经网络，用于利用同步多视图视频估算气液两相流中的空隙率。该方法克服了现有技术依赖广泛流动假设或侵入式传感的局限性。VFNet的架构包括用于特征提取和视图融合的局部分支，以及用于捕捉流动演变的时空分支。VFNet在模拟计算流体动力学数据上进行训练，在各种指标上均表现出优越性能，并增强了下游流动模式分类。
-
新框架融合CFD和风洞数据以提高航空航天模型精度
研究人员开发了一种新颖的数据融合框架，通过整合实验风洞数据和计算流体动力学（CFD）模拟来提高航空航天代理模型的精度。该框架使用在风洞压敏漆（PSP）测量数据上训练的校正网络，在无需重新训练的情况下调整预训练的CFD代理模型。这种方法显著提高了与实验数据的吻合度，特别是在机翼吸力峰值和激波位置等关键区域，同时保持了代理模型的泛化能力和计算效率。
-
深度学习增强4D流MRI，改善血流评估
研究人员开发了一个深度学习框架，用于提高4D流MRI数据的分辨率并降低噪声。4D流MRI是一种用于可视化血流的技术。所提出的模型集成了多尺度特征提取和注意力机制，特别是使用卷积块注意力模块（CBAM），以增强壁面剪切应力和压力梯度等关键血流动力学生物标志物。该模型在患有颈动脉狭窄的120名患者的数据上进行训练，与基线相比，均方根误差显著降低，表明其在无创血流动力学评估方面具有提高4D流MRI临床实用性的潜力。
-
新的VATO方法增强了非定常翼型流动的预测能力
研究人员开发了VATO（涡流力感知Transformer算子），这是一种将涡流力图（VFM）方法与几何感知神经算子相结合的新颖方法，以改进非定常分离翼型流动的预测。该方法旨在降低高保真计算流体动力学（CFD）模拟相关的计算成本，同时准确捕捉流动分离和涡流脱落的复杂动力学。VATO框架内的两个互补机制VATO-S和VATO-A，已证明在速度、压力和涡量误差方面有显著降低，其性能优于标准的场级代理模型训练。
-
新框架使用逐行PCA和GP对受约束的多输出物理场进行建模
研究人员开发了一个新颖的框架，用于同时预测受线性等式约束的多个高维物理场。这个问题在物理学和机器学习应用中很常见。所提出的方法利用一种称为逐行PCA（row-wise PCA）的特定主成分分析（PCA）技术，该技术在潜在空间中保留了物理约束。然后，利用这个潜在空间来训练具有专门核参数化的多输出高斯过程（GP）模型。
-
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。