Rayleigh-Bénard convection of a supercritical fluid: PIV and heat transfer study
PulseAugur coverage of Rayleigh-Bénard convection of a supercritical fluid: PIV and heat transfer study — every cluster mentioning Rayleigh-Bénard convection of a supercritical fluid: PIV and heat transfer study across labs, papers, and developer communities, ranked by signal.
-
新的傅里叶神经算子改进了流体对流模型
研究人员开发了一种增强型傅里叶神经算子（FNO），用于模拟二维瑞利-贝纳尔对流。这种改进的FNO预测时间增量而非完整解，与标准的FNO基线相比具有更高的准确性。该模型非常紧凑，拥有31.4万个参数，大小为1.26 MB，推理速度快至7毫秒，同时保持了具有竞争力的准确性。
-
新的MARL框架实现了流体控制的稀疏传感器放置
研究人员开发了一个新颖的框架，用于瑞利-贝纳尔对流多智能体强化学习（MARL）控制中的稀疏传感器放置。该方法使用有序非凸分组正则化和迭代重加权分组正则化，从密集专家策略中提炼出稀疏策略。实验表明，与Proximal Policy Optimization基线相比，多智能体Transformer策略提供了更稳定的训练，并且稀疏学徒策略保持了与密集专家相当的控制性能。所提出的方法实现了显著的稀疏性，将每个智能体的观测大小从360减少到12…
-
科学机器学习在流体动力学模拟方面取得进展
最近的一章回顾了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它强调了动态模式分解和物理信息神经网络（PINNs）等方法，这些方法为计算成本高昂的系统提供了高效的代理模型。该章还介绍了使用 PINNs 进行浊流模拟以及使用变分自编码器进行热流模拟的新贡献，展示了 SciML 在快速、准确近似和降低计算成本方面的潜力。
-
科学机器学习在流体动力学建模方面取得进展 · 跟踪到2个来源
本章探讨了科学机器学习（SciML）在模拟复杂流体流动和输运现象方面的进展。它详细介绍了奇异值分解、动态模式分解、物理信息神经网络（PINNs）和 $\beta$-变分自编码器（$\beta$-VAEs）等方法，以创建高效的代理模型。该工作将这些技术与高性能计算策略相结合，包括自适应网格细化/粗化（AMR/C），以降低浊流和热对流等应用的计算成本。