INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes Equations

要約

数値設計では、効率的で正確な代理モデルの開発が最も重要です。
これらを使用すると、複雑な物理現象を近似できるため、直接数値シミュレーションの計算負荷が軽減されます。
私たちは、この課題に対処するために暗黙的ニューラル表現 (INR) を利用する深層学習モデルである INFINITY を提案します。
私たちのフレームワークは、幾何学的情報と物理フィールドをコンパクトな表現にエンコードし、それらの間のマッピングを学習して物理フィールドを推論します。
私たちは翼型設計の最適化問題をタスク例として使用し、現実世界の産業ユースケースによく似た、挑戦的な AirfRANS データセットに対するアプローチを評価します。
実験結果は、私たちのフレームワークがボリュームとサーフェス全体の物理場を正確に推論することにより、最先端のパフォーマンスを達成していることを示しています。
さらに、設計の探索や形状の最適化などの状況での適用可能性を実証します。私たちのモデルは、方程式を遵守しながら抗力係数と揚力係数を正確に予測できます。

要約(オリジナル)

For numerical design, the development of efficient and accurate surrogate models is paramount. They allow us to approximate complex physical phenomena, thereby reducing the computational burden of direct numerical simulations. We propose INFINITY, a deep learning model that utilizes implicit neural representations (INRs) to address this challenge. Our framework encodes geometric information and physical fields into compact representations and learns a mapping between them to infer the physical fields. We use an airfoil design optimization problem as an example task and we evaluate our approach on the challenging AirfRANS dataset, which closely resembles real-world industrial use-cases. The experimental results demonstrate that our framework achieves state-of-the-art performance by accurately inferring physical fields throughout the volume and surface. Additionally we demonstrate its applicability in contexts such as design exploration and shape optimization: our model can correctly predict drag and lift coefficients while adhering to the equations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google