Neural oriented boundary detection for particle-based fluids

doi:10.1016/j.cag.2026.104723

Neural oriented boundary detection for particle-based fluids

2026-08-01

1

PRE

AI

DOI：10.1016/j.cag.2026.104723

原文链接

原文求助

摘要

En 中文

计算能力的提升日益促进了深度学习在增强流体模拟管道中的应用。本文介绍了一个多任务深度学习框架，旨在同时解决SPH流体中的边界粒子检测和法向量估计问题。我们的主要贡献是提出了稀疏体素流体卷积神经网络（Sparse VFCNN），该架构利用空间稀疏的3D卷积来克服传统体积网络的计算瓶颈。作为初始密集架构（Dense VFCNN）的优化后续版本，稀疏变体在显著减少处理时间的同时实现了有竞争力的性能。结果表明，Sparse VFCNN近似了当前最先进方法的精度，同时提供了统一的输出——这一特性对于流体模拟中一致的几何表示至关重要。此外，该框架与真实数据来源无关，能够与各种检测和估计方法无缝集成。通过结合高效率与多任务学习，Sparse VFCNN为提升大规模流体模拟框架的几何保真度提供了强大而灵活的替代方案。

Keyword:

SPH fluids

Oriented boundary particle

Surface reconstruction

Convolutional neural network

Deep learning

Neural oriented boundary detection for particle-based fluids

摘要

期刊

机构

引用论文