×
陈国栋；Krzysztof J.菲德科夫斯基。

使用卷积神经网络进行基于输出的自适应气动仿真。 （英语） Zbl 1521.76280号

计算。流体 223，文章ID 104947，18 p.（2021）.
摘要：本文提出了一种利用机器学习技术在计算流体力学（CFD）中进行输出误差估计和网格自适应的新方法。感兴趣的误差是数值离散化引起的函数输出误差，包括有限计算网格和近似阶。给定基于伴随误差估计的自适应流模拟数据，训练代理模型预测输出误差，并以低维解作为输入驱动网格自适应。目的是从手头的仿真数据中概括误差估计和网格自适应知识。该方法使用编码-解码型卷积神经网络（CNN），在自适应误差指示字段和总输出误差的监督下，捕获与数值误差相关的局部和全局特征。为了处理自适应仿真中的几何和不规则网格，在传统的CNN模型中引入了拓扑映射和局部投影。在翼型无粘跨音速流动模拟中，证明了所提出的用于误差预测和网格自适应的机器学习方法的可行性。训练好的CNN模型可以很好地预测输出误差和局部自适应指标，然后将其用于驱动网格自适应，作为基于标准伴随方法的替代方法。良好的性能和相对简单的部署鼓励对所提方法进行更多的研究和开发。

引用于三文件

MSC公司：

76克25分 一般空气动力学和亚音速流动
76-04 流体力学相关问题的软件、源代码等

关键词：

输出误差估计；网格自适应；机器学习；卷积神经网络

软件：

转换PDE-UQ；DeconvNet公司；亚当；掌中宽带；TensorFlow公司
PDF格式BibTeX公司 XML格式引用
\textit{G.Chen}和\textit{K.J.Fidkowski}，计算。流体223，文章ID 104947，第18页（2021；Zbl 1521.76280）
全文： 内政部

参考文献：

[1] Oberkampf，W.L。；Trucano，T.G.，《计算流体动力学的验证与确认》，《航空科学计划》，38，3，209-272（2002）
[2] 吉拉斯，S。；格洛弗，N。；Malki-Epshtein，L.，街道峡谷水流CFD模型的（k-ε）湍流模型常数的贝叶斯校准，计算方法应用机械工程，279536-553（2014）·Zbl 1423.76148号
[3] E.J.帕里什。；Duraisamy，K.，《使用场反演和机器学习的数据驱动预测建模范式》，《计算物理杂志》，305758-774（2016）·Zbl 1349.76006号
[4] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，《流体力学年鉴》，51，1，357-377（2019）·Zbl 1412.76040号
[5] 利维，D.W。；齐库尔，T。；J·瓦斯伯格。；阿格拉瓦尔，S。；瓦尔斯，R.A。；Pirzadeh，S.，AIAA第一届计算流体动力学阻力预测研讨会的数据摘要，J Aircr，40，5，875-882（2003）
[6] 贝克尔，R。；Rannacher，R.，《有限元法中后验误差估计的最优控制方法》，《数值学报》，10，1-102（2001）·Zbl 1105.65349号
[7] 皮尔斯，N.A。；Giles，M.B.，从PDE近似中超收敛泛函的伴随恢复，SIAM Rev，42，2，247-264（2000）·Zbl 0948.65119号
[8] 贾尔斯，M.B。；Süli，E.，《偏微分方程的伴随方法：基于对偶的后验误差分析和后处理》，《数值学报》，第11期，第145-236页（2002年）·Zbl 1105.65350号
[9] 哈特曼，R。；Houston，P.，可压缩Euler方程的自适应间断Galerkin有限元方法，计算物理杂志，183,2508-532（2002）·Zbl 1057.76033号
[10] Venditti，医学博士。；Darmofal，D.L.，《功能输出的网格适配：二维无粘流的应用》，《计算物理杂志》，176，1，40-69（2002）·Zbl 1120.76342号
[11] Park，M.A.，基于伴随的三维误差预测和网格自适应，AIAA J，42，9，1854-1862（2004）
[12] Fidkowski，K.J。；Darmofal，D.L.，用于可压缩Navier-Stokes方程高阶离散的三角形切割自适应方法，计算物理杂志，225，2，1653-1672（2007）·Zbl 1343.76026号
[13] 内梅克，M。；Aftosmis，M.，嵌入边界笛卡尔网格的伴随误差估计和自适应精化，第18届AIAA计算流体动力学会议，AIAA论文2007-4187（2007）
[14] 内梅克，M。；阿夫托斯米斯，M。；Wintzer，M.，复杂几何体的基于伴随的自适应网格细化，第46届AIAA航空航天科学会议和展览，725（2008），美国航空航天研究所
[15] Wang，L。；Mavrilis，D.J.，二维可压缩Euler方程基于伴随的自适应间断Galerkin方法，计算物理杂志，228，20，7643-7661（2009）·兹比尔1391.76367
[16] A.Loseille。；A.德维尔。；Alauzet，F.，《三维稳态Euler方程的完全各向异性面向目标的网格自适应》，《计算物理杂志》，229，8，2866-2897（2010）·Zbl 1307.76060号
[17] 亚诺，M。；Darmofal，D.L.，《各向异性单纯形网格自适应的基于优化的框架》，《计算物理杂志》，第231、22、7626-7649页（2012年）·Zbl 1284.65127号
[18] 林格，N。；Nadarajah，S.，《高阶离散化各向异性hp自适应的基于优化的框架》，《计算物理杂志》，375589-618（2018）·Zbl 1416.76125号
[19] Fidkowski，K.J。；Darmofal，D.L.，《计算流体动力学中基于输出的误差估计和网格自适应综述》，AIAA J，49，4，673-694（2011）
[20] 可用：http://hdl.handle.net/1721.1/34134
[21] 内梅克，M。；Aftosmis，M.，《气动外形优化中的输出误差估计和网格细化》，第51届AIAA航空航天科学会议，包括新视野论坛和航空航天博览会，AIAA论文2013-865（2013）
[22] 希肯，J.E。；Alonso，J.J.，带误差估计和控制的PDE约束优化，计算物理杂志，263136-150（2014）·Zbl 1349.49036号
[23] 李，D。；Hartmann，R.，带离散化误差控制的基于伴随的翼型优化，国际J数值方法流体，77，1，1-17（2015）
[24] 陈，G。；Fidkowski，K.J.，约束气动外形优化的离散化误差控制，计算物理杂志，387，1，163-185（2019）·Zbl 1452.76208号
[25] Knoll，D。；Keyes，D.，无Jacobian牛顿-克利洛夫方法：方法和应用调查，计算物理杂志，193，2，357-397（2004）·Zbl 1036.65045号
[26] Nadarajah，S。；Jameson，A.，《自动空气动力学优化的连续和离散伴随方法比较》，第38届航空航天科学会议和展览，美国航空航天局论文2000-667（2000）
[27] 肯威，G.K。；马德尔，C.A。；何，P。；Martins，J.R.，计算流体动力学的有效伴随方法，Prog Aerosp Sci，110100542（2019）
[28] Hartmann，R.，不连续伽辽金离散化的伴随一致性分析，SIAM J Numer Anal，45，6，2671-2696（2007）·兹比尔1189.76341
[29] Oliver，T.A。；Darmofal，D.L.，源项间断Galerkin离散的对偶一致性分析，SIAM J Numer Anal，47，5，3507-3525（2009）·Zbl 1203.65258号
[30] Drohmann先生。；Carlberg，K.，降低阶模型误差统计建模的ROMES方法，SIAM/ASA J Uncertain Quantif，3，1，116-145（2015）·Zbl 1322.65029号
[31] 穆萨维，A。；ψtefnescu，R。；Sandu，A.，局部降阶模型误差和维数的多元预测，国际数值方法工程杂志，113，3，512-533（2017）
[32] Freno，B.A。；Carlberg，K.T.，非线性方程参数化系统近似解的机器学习误差模型，计算方法应用机械工程，348250-296（2019）·Zbl 1440.65058号
[33] Rauser，F。；Korn，P。；Marotzke，J.，《从近初始信息预测目标误差演化：一种学习算法》，《计算物理杂志》，230，19，7284-7299（2011）·Zbl 1408.76085号
[34] Hanna，B.N。；新墨西哥州丁。；Youngblood，R.W。；Bolotnov，I.A.，基于机器学习的粗网格计算流体动力学误差预测方法（CG-CFD），Prog Nucl Energy，118，103140（2020）
[35] Bao，H。；新墨西哥州丁。；莱恩，J.W。；Youngblood，R.W.，系统级热工水力模拟中误差估计和网格模型优化的数据驱动框架，Nucl Eng Des，349，27-45（2019）
[36] Manevitz，L。；Bitar，A。；Givoli，D.，有限元网格自适应的神经网络时间序列预测，神经计算，63447-463（2005）
[37] Balasubramanian，R。；Newman，J.C.，功能输出的基于伴随和基于特征的网格自适应比较，国际数值方法流体，53，10，1541-1569（2007）·Zbl 1370.76117号
[38] 苏莉，E。；Houston，P.，双曲线问题的自适应有限元近似，计算流体动力学中的误差估计和自适应离散化方法，269-344（2003），Springer Berlin Heidelberg·Zbl 1141.76428号
[39] 兰扎托，M。；黄，F.J。；Boureau，Y.-L。；LeCun，Y.，不变特征层次的无监督学习及其在对象识别中的应用，2007年IEEE计算机视觉和模式识别会议（2007年），IEEE
[40] Masci，J。；美国迈尔。；西里桑，D。；Schmidhuber，J.，用于分层特征提取的堆叠卷积自动编码器，计算机科学讲稿，52-59（2011），施普林格-柏林-海德堡
[41] O.Ronneberger。；菲舍尔，P。；Brox，T.，《U-Net:生物医学图像分割的卷积网络》，计算机科学讲稿，234-241（2015），施普林格国际出版公司
[42] Long，J。；谢尔哈默，E。；Darrell，T.，语义分割的完全卷积网络，IEEE计算机视觉和模式识别会议论文集，3431-3440（2015）
[43] Noh，H。；洪，S。；Han，B.，语义分割的学习反卷积网络，IEEE计算机视觉国际会议论文集，1520-1528（2015）
[44] 郭，X。；李伟（Li，W.）。；Iorio，F.，用于稳定流近似的卷积神经网络，第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集，481-490（2016），ACM
[45] Zhu，Y。；Zabaras，N.，用于代理建模和不确定性量化的贝叶斯深度卷积编码器-解码器网络，J Comput Phys，366415-447（2018）·兹比尔1407.62091
[46] 巴特纳加，S。；阿夫沙尔，Y。；潘，S。；Duraisamy，K。；Kaushik，S.，使用卷积神经网络预测空气动力流场，计算力学，64，2，525-545（2019）·Zbl 1468.76051号
[47] 韦诺维奇，N。；拉马尼，K。；Lin，G.，ConvPDE-UQ:不同区域上非齐次椭圆偏微分方程的量化不确定性卷积神经网络，计算物理杂志，394，263-279（2019）·Zbl 1457.65245号
[48] Jameson，A.，通过控制理论进行空气动力学设计，科学计算杂志，3，3，233-260（1988）·Zbl 0676.76055号
[49] Ceze，M。；Fidkowski，K.J.，功能预测的各向异性hp自适应框架，AIAA J，51，2，492-509（2013）
[50] Ceze，M。；Fidkowski，K.J.，使用自适应间断有限元进行阻力预测，J Aircr，51，4，1284-1294（2014）
[51] Fidkowski，K.J.，《稳态和非稳态流动问题的基于输出的误差估计和网格自适应》，（Deconick，H.；Horvath，T.，第38期高级CFD讲座系列；von Karman流体动力学研究所（2015年9月14日至16日）（2015年），von Karman流体动力学研究院）
[52] LeCun，Y。；Boser，B。；Denker，J.S。；亨德森·D·。；霍华德·R·E。；Hubbard，W.，Backpropagation应用于手写邮政编码识别，神经计算，1，4，541-551（1989）
[53] 可在http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
[54] Simonyan K.，Zisserman A.，用于大规模图像识别的极深卷积网络。arXiv:14091556 2014年。
[55] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习，IEEE计算机视觉和模式识别会议论文集，770-778（2016）
[56] 罗森布拉特，F.，《神经动力学原理》；感知器和大脑力学理论（1962），斯巴达书籍：斯巴达图书华盛顿特区·Zbl 0143.43504号
[57] 奈尔，V。；Hinton，G.E.，《校正线性单位改进受限Boltzmann机器》，第27届机器学习国际会议论文集（ICML-10），807-814（2010）
[58] LeCun，Y。；Kavukcuoglu，K。；Farabet，C.，《卷积网络及其在视觉中的应用》，2010年IEEE电路和系统国际研讨会论文集，253-256（2010），IEEE
[59] Dumoulin V.，Visin F.深度学习卷积算法指南。arXiv:160307285 2016年。
[60] 奥德纳，A。；杜穆林，V。；Olah，C.，《反褶积和棋盘制品》，《蒸馏》（2016）
[61] Rumelhart，D.E。；辛顿，G.E。；Williams，R.J.，《通过反向传播错误学习表征》，《自然》，3236088533-536（1986）·Zbl 1369.68284号
[62] 陈，G。；Fidkowski，K.J.，《使用卷积神经网络的基于输出的误差估计和网格自适应：标量平流扩散问题的应用》，AIAA SciTech 2020论坛，1143（2020），美国航空航天研究所
[63] 塞卡尔，V。；张，M。；舒，C。；Khoo，B.C.，使用深度卷积神经网络进行翼型反设计，AIAA J，57，3，993-1003（2019）
[64] Fidkowski，K.J。；Oliver，T.A。；卢，J。；Darmofal，D.L.，可压缩Navier-Stokes方程高阶间断Galerkin离散的P-多重网格解，计算物理杂志，207，1，92-113（2005）·Zbl 1177.76194号
[65] Fidkowski，K.J。；Roe，P.L.，网格精化的熵伴随方法，SIAM J Sci-Comput，32，31261-1287（2010）·Zbl 1213.65142号
[66] 佩尔松，P.-O。；Peraire，J.，不连续伽辽金方法的亚细胞冲击捕获，第44届美国航空航天学会航空航天科学会议和展览，美国航空航天学会论文2006-0112（2006）
[67] Roe，P.，近似黎曼解算器、参数向量和差分格式，J Comput Phys，43，2357-372（1981）·Zbl 0474.65066号
[68] Bassi，F。；Rebay，S.，可压缩Navier-Stokes方程的GMRES间断Galerkin解，计算科学与工程讲义，197-208（2000），施普林格-柏林-海德堡·Zbl 0989.76040号
[69] 可在https://ntrs.nasa.gov/search.jsp？R=19930091108 ·JFM 59.1469.01标准
[70] Abadi M.、Agarwal A.、Barham P.、Brevdo E.、Chen Z.、Citro C.等。TensorFlow：异构系统上的大规模机器学习。2015.软件可从www.tensorflow.org获取；
[71] Kingma D.P.，Ba J..Adam：一种随机优化方法。arXiv:14126980 2014年。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。