返回
Shape-informed surrogate models based on signed distance function domain encoding
DOI:10.1016/j.jcp.2025.114178.png)
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
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
Isogeometric analysis: CAD, finite elements, NURBS, exact geometry and mesh refinement等几何分析: CAD、有限元、NURBS、精确几何和网格细化

