Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics

要約

この研究では、MeshGraphNets (MGN) の一般化機能を調査しています [Pfaff et al.
グラフ ネットワークを使用したメッシュベースのシミュレーションの学習。
ICML 2021] を流体力学の目に見えない形状に適用します。
トレーニング データの一部ではなかった新しい障害物の周囲の流れを予測します。
この目的のために、さまざまな形状や複数のオブジェクトを含めることで円柱データセットの周囲に DeepMind のフローを拡張する、データ駆動型数値流体力学 (CFD) 用の新しいベンチマーク データセットを作成します。
次に、この新しいデータセットを使用して、MGN がさまざまな形状にどの程度一般化できるかをテストすることで、MGN に対して DeepMind によって実施された一般化実験を拡張します。
私たちの数値テストでは、ある障害物形状のデータセットでトレーニングし、別の障害物形状のデータセットでテストすることで、MGN がさまざまな形状にうまく一般化できる場合があることを示しました。

要約(オリジナル)

This works investigates the generalization capabilities of MeshGraphNets (MGN) [Pfaff et al. Learning Mesh-Based Simulation with Graph Networks. ICML 2021] to unseen geometries for fluid dynamics, e.g. predicting the flow around a new obstacle that was not part of the training data. For this purpose, we create a new benchmark dataset for data-driven computational fluid dynamics (CFD) which extends DeepMind’s flow around a cylinder dataset by including different shapes and multiple objects. We then use this new dataset to extend the generalization experiments conducted by DeepMind on MGNs by testing how well an MGN can generalize to different shapes. In our numerical tests, we show that MGNs can sometimes generalize well to various shapes by training on a dataset of one obstacle shape and testing on a dataset of another obstacle shape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google