.png){kind=icon}
返回
Deep multi-operator network for solving fluid mechanics problems
.png){kind=icon}
OA
AI
DOI：10.1080/19942060.2026.2732842.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习显著降低了求解复杂流体动力学问题的计算成本。然而，在复杂几何形状和变化边界条件下实现鲁棒泛化仍是一个主要挑战。为解决此问题，本研究提出了一种新型神经算子架构，称为DeepMONet。与传统的单算子架构不同，DeepMONet使用独立的分支网络函数表示不同物理量，并通过堆叠的算子层实现多物理场信息的层次化学习，从而增强其在复杂几何形状和多样化流动条件下的表示和泛化能力。该模型在涉及不同几何复杂度、边界条件和流动特性的系列基准问题上进行了评估。在所有测试案例中，相对预测误差均保持在4.34%以下，相对误差的标准差不超过1.53%。此外，DeepMONet在稳态和瞬态流动、复杂管道网络、不同开度阀门以及噪声训练数据集上均保持稳定的预测性能，显示出强大的泛化能力和对涉及复杂几何形状和变化物理条件的流动预测问题的广泛适用性。
Keyword:
Neural networks
complex boundaries
fluid mechanics
neural operators
期刊
IF:
5.4
论文数:
1.4K
被引数:
3.9K
机构
查看更多机构
引用论文
暂无论文信息