.png){kind=icon}
返回
Multi-resolution physics-aware recurrent convolutional neural network for complex flows
.png){kind=icon}
OA
AI
DOI：10.1063/5.0295883.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出MRPARCv2，即多尺度物理感知循环卷积神经网络，旨在通过嵌入平流-扩散-反应方程的结构并利用多尺度架构来模拟复杂流动。MRPARCv2引入了分层离散化和跨尺度特征通信，以提高流动模拟的精度和效率。我们在The Well多物理基准数据集库中的一个具有挑战性的2D湍流辐射层数据集上评估了该模型，并与单尺度基线模型相比，在方差缩放均方根误差和物理驱动指标（包括湍流动能谱和物质-温度分布）上均显示出显著改进。尽管训练参数减少了30%，MRPARCv2在滚动预测误差方面比其前代模型提高了50%，在谱误差方面提高了86%。我们进行了一项关于不确定性量化的初步研究，并分析了模型在不同流动抽象级别下的性能，特别是在采样场变量子集时。我们发现，网络架构中状态方程（EOS）缺乏物理约束会导致精度下降。变量替换实验证实，无论直接预测哪个物理量，该问题均持续存在。我们的研究结果表明，多尺度归纳偏置在捕捉多尺度流动动态方面具有优势，并建议未来的PIML模型需要嵌入EOS知识以增强物理保真度。(c) 2025 作者(s)。除另有注明外，本文内容均根据知识共享署名-非商业性使用-禁止演绎4.0国际（CC BY-NC-ND 4.0）许可协议授权（https://creativecommons.org/licenses/by-nc-nd/4.0/）。https://doi.org/10.1063/5.0295883
Keyword:
TURBULENCE MODELS
AERODYNAMICS
SIMULATION
RECONSTRUCTION
UNCERTAINTY
DROPOUT
SPARSE
期刊
A
IF:
0
论文数:
26
被引数:
0
机构
引用论文
Artificial Intelligence Approaches for Energetic Materials by Design: State of the Art, Challenges, and Future Directions通过设计实现含能材料的人工智能方法: 最新技术，挑战和未来方向
OAAI
OAAI分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Physics-informed neural network for turbulent flow reconstruction in composite porous-fluid systems用于复合多孔流体系统中湍流重建的物理通知神经网络OAAI
OAAI分享收藏Low-order flow reconstruction and uncertainty quantification in disturbed aerodynamics using sparse pressure measurements低阶流场重构与扰动空气动力学中的不确定性量化：基于稀疏压力测量
IF0
PREAI
分享收藏Physics-constrained bayesian neural network for fluid flow reconstruction with sparse and noisy data具有稀疏和噪声数据的物理约束贝叶斯神经网络用于流体流动重建OAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏
查看更多内容