arrow
返回

Shape-informed surrogate models based on signed distance function domain encoding

delete2025-06-11
delete0
delete
OA
AI
L
L. Zhang
S
Stefano Pagani
张军 封面图
张军 (Jun Zhang)
F
Francesco Regazzoni
DOI:10.1016/j.jcp.2025.114178delete
delete原文链接
delete分享
delete收藏
摘要

摘要

En 中文
我们提出了一种非侵入式方法来构建代理模型,以逼近参数化偏微分方程(PDEs)的解,能够考虑解对计算域形状的依赖性。我们的方法基于两种神经网络的结合。第一种神经网络,在潜代码的条件下,通过符号距离函数提供几何变异性的隐式表示。这种自动形状编码技术能在潜空间中生成紧凑的低维几何表示,无需显式构建编码器。第二种神经网络独立地重建每个空间点的输出物理场,从而避免了与计算网格等高维离散化相关的计算负担。此外,我们表明,通过采用傅里叶特征映射并将距离函数场作为神经网络的输入特征,可以进一步提高几何表征的精度。该方法的网格无关特性,结合在潜空间中通过自动特征提取实现的降维,使其具有高度的灵活性和计算效率。该策略消除了手动提取几何参数的需求,甚至可以应用于几何体拓扑发生变化的情形。在流体动力学和固体力学领域的数值测试表明,所提出的方法在任意形状的域中准确预测PDE解的有效性。值得注意的是,结果显示其精度可媲美在计算域具有显式参数化的最佳情况。
Keyword:
Scientific machine learning
Surrogate modeling
Shape models
Neural networks
Signed distance functions

期刊

Journal of Computational Physics 封面图
Journal of Computational Physics
IF:
3.8
论文数:
1.6W
被引数:
8.9W

机构

暂无机构信息
引用论文

引用论文

Radial basis functions
err2026-11-01
err0
PREAI
errM. D. Buhmann
err分享
err收藏
Statistical shape models for 3D medical image segmentation: A review
err2009-08-01
err1.2K
PREAI
errHeimann, Tobias; Meinzer, Hans-Peter
err分享
err收藏
Machine Learning for Fluid Mechanics流体力学的机器学习
err2020-01-05
err1.7K
errOAAI
errBrunton, Steven L.; Noack, Bernd R.; Koumoutsakos, Petros
err分享
err收藏
Learning reduced-order models for cardiovascular simulations with graph neural networks
err2024-01-01
err7
errOAAI
errPegolotti, Luca; Pfaller, Martin R.; Rubio, Natalia L.; Ding, Ke; Brufau, Rita Brugarolas; Darve, Eric; Marsden, Alison L.
err分享
err收藏
Linking statistical shape models and simulated function in the healthy adult human heart
err2021-04-15
err0
errOAAI
errCristobal Rodero; Marina Strocchi; Maciej Marciniak; Stefano Longobardi; John Whitaker; Mark D. O’Neill; Karli Gillette; Christoph Augustin; Gernot Plank; Edward J. Vigmond; Pablo Lamata; Steven A. Niederer
err分享
err收藏
学者 查看更多内容