arXiv · ML· Ali Rabeh, Suresh Murugaiyan, Adarsh Krishnamurthy, Baskar Ganapathysubramanian·· 8 小时前AI 评分26
基于算子网络的复杂几何体时变流预测
Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
AI 导读
该研究提出一种时变、几何感知的深度算子网络，通过841个高保真FlowBench模拟数据进行训练，在262个未见过的几何体上实现了相对于CFD最高1000倍的加速。 模型利用符号距离场（SDF）编码几何，并在单一预测步长中达到约5%的相对L2误差。 通过相位滞后和Strouhal频率分析发现，该模型在近瞬态预测上较为准确，但在尖锐几何体的尾迹区域存在细尺度误差累积，且代码与脚本已公开以支持复现。
来源：arXiv · ML · arxiv.org