×

DiscretizationNet公司

swMATH ID: 42183
软件作者: Rishikesh Ranade、Chris Hill、Jay Pathak
描述: DiscretizationNet:使用有限体积离散化的基于机器学习的Navier-Stokes方程求解器。在过去的几十年里,现有的偏微分方程(PDE)求解器在求解复杂的非线性偏微分方程方面取得了巨大的成功。尽管这些PDE解算器是精确的,但计算成本很高。随着机器学习(ML)技术的进步,使用ML求解偏微分方程的研究有了显著增加。这项工作的目标是开发一种基于ML的PDE求解器,将现有PDE求解器的重要特性与ML技术相结合。这项工作中采用的两个求解器特性是:1)使用基于离散化的方案来近似时空偏导数,2)使用迭代算法来求解离散形式的线性化偏微分方程。在存在高度非线性、耦合的偏微分方程解的情况下,这些策略对于实现良好的精度、更好的稳定性和更快的收敛非常重要。我们的ML解决方案DiscretizationNet采用了基于生成CNN的编码器-解码器模型,PDE变量作为输入和输出特征。在训练期间,离散化方案在计算图中实现,以使GPU能够更快地计算PDE残差,这些残差用于更新网络权重,从而得到收敛解。在网络训练过程中实现了一种新的迭代能力,以提高ML解的稳定性和收敛性。ML-Solver被证明可以在三维中求解稳态、不可压缩的Navier-Stokes方程,适用于多种情况,例如:激光驱动腔体、圆柱绕流和共轭传热。
主页: https://arxiv.org/abs/2005.08357
相关软件: DGM公司;亚当;深XDE;DiffSharp(差异锐化);hp-车辆识别号;PhyGeoNet(物理地理网);NSF网络;PhyCRNet(物理CRNet);DeepONet(深度网络);PyTorch公司;TensorFlow公司;VarNet公司;DLBI公司;L-BFGS公司;PhyCNN(美国有线电视新闻网);刚性销;PINNeik公司;ADMB公司;FPIN编号;库达
引用于: 16文件

按年份列出的引文