Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations

要約

メッシュフリー シミュレーション手法は、特に数値流体力学 (CFD) や連続力学の分野で、従来のメッシュベースのアプローチに代わる有力な代替手段として登場しつつあります。
この出版物では、機械学習 (ML) と、一般化有限差分法 (GFDM) で数値点群を利用する強力なツールであるフラウンホーファーの MESHFREE ソフトウェア (www.meshfree.eu) を組み合わせた研究の包括的な概要を提供します。
このツールを使用すると、複雑な流れのドメイン、移動するジオメトリ、および自由表面を効果的に処理できるようになり、ユーザーはローカル リファインメントおよび品質パラメータを微調整して、計算時間と結果の精度のバランスを最適化することができます。
ただし、最適なパラメータの組み合わせを手動で決定することは、特に経験の浅いユーザーにとっては課題となります。
アクティブ ラーニング、回帰ツリー、MESHFREE シミュレーション データの視覚化を使用した、ML に最適化された新しいアプローチを導入し、入力の組み合わせが結果の品質と計算時間に与える影響を示します。
この研究は、メッシュフリー シミュレーションにおけるパラメーターの最適化に関する貴重な洞察に貢献し、科学および工学アプリケーションにおけるより広範なユーザー ベースのアクセシビリティと使いやすさを向上させます。

要約(オリジナル)

Meshfree simulation methods are emerging as compelling alternatives to conventional mesh-based approaches, particularly in the fields of Computational Fluid Dynamics (CFD) and continuum mechanics. In this publication, we provide a comprehensive overview of our research combining Machine Learning (ML) and Fraunhofer’s MESHFREE software (www.meshfree.eu), a powerful tool utilizing a numerical point cloud in a Generalized Finite Difference Method (GFDM). This tool enables the effective handling of complex flow domains, moving geometries, and free surfaces, while allowing users to finely tune local refinement and quality parameters for an optimal balance between computation time and results accuracy. However, manually determining the optimal parameter combination poses challenges, especially for less experienced users. We introduce a novel ML-optimized approach, using active learning, regression trees, and visualization on MESHFREE simulation data, demonstrating the impact of input combinations on results quality and computation time. This research contributes valuable insights into parameter optimization in meshfree simulations, enhancing accessibility and usability for a broader user base in scientific and engineering applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google