.png){kind=icon}
返回
Predicting time-dependent flow over complex geometries using operator networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cma.2026.118931.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为非定常流开发能够泛化至复杂几何结构并保持长时间步预测精度的神经代理模型，仍然是加速流场模拟的关键挑战。我们提出了一种时变且具有几何感知能力的深度算子网络，该网络用于预测围绕参数化与非参数化形状的中雷诺数（moderate-Re）流动的速度场。该模型通过符号距离场（SDF）主干编码几何信息，并通过卷积神经网络（CNN）分支编码流动历史，训练数据来自FlowBench数据集中的841组高保真模拟。在未用于训练的262个测试几何形状上，该模型实现了约5%的相对L2单步误差，并达到CFD的1000倍加速。我们提供了以物理为中心的长时间步诊断方法，包括基于探针的相位滞后和斯特劳哈尔频率分析，以量化长时域预测的保真度。结果表明模型在短期内能准确预测瞬态流动，但在精细尺度尾迹中存在系统性误差累积，且在具有锐角的几何形状上最为显著。我们分析了失效模式，并概述了实用的缓解策略，包括物理信息正则化和扩散增强的精细化方法。代码、数据集划分及脚本已公开发布，以支持可重复性和基准测试。
Keyword:
Deep Operator Network
Unsteady Flow Prediction
Geometry-aware Neural Networks
Signed Distance Field
Flow Simulation Acceleration
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
暂无机构信息
引用论文
The shifted boundary method for embedded domain computations. Part I: Poisson and Stokes problems嵌入式域计算的移动边界方法。第一部分: 泊松和斯托克斯问题
OAAI
OAAI分享收藏Unsteady Flow Separation Can Endanger the Structural Integrity of Aerospace Launch Vehicles非定常流动分离可能危及航天发射器的结构完整性
PREAI
分享收藏Modelling of Flow-Induced Vibration of Bluff Bodies: A Comprehensive Survey and Future Prospects.png)
Energies
OAAI
EnergiesIF0
OAAI分享收藏Learning the solution operator of parametric partial differential equations with physics-informed DeepONets用物理信息DeepONets学习参数偏微分方程的解算子SCIENCE ADVANCESOAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏
查看更多内容