A Two-Phase Deep Learning Framework for Adaptive Time-Stepping in High-Speed Flow Modeling

要約

機械学習方法を使用して高速フローをモデル化する問題を検討します。
ほとんどの以前の研究は、均一な時間ステップが実用的である低速流体の流れに焦点を当てていますが、音の速度を超える流れは、衝撃波などの突然の変化を示します。
そのような場合、適応時間ステップ方法を使用して、これらの現象を解決しながら、同時に計算コストのバランスをとるのに十分な時間分解能を可能にすることが不可欠です。
ここでは、Adaptive Time-Stepingで高速フローをモデル化するために、Shockcastとして知られる2フェーズの機械学習方法を提案します。
最初のフェーズでは、タイムステップサイズを予測するために機械学習モデルを使用することを提案します。
第2フェーズでは、予測されたタイムステップは、予測されたタイムステップによってシステム状態を前進させるために、現在の流体場とともに入力として使用されます。
Timestep予測のためにいくつかの物理的に動機付けられたコンポーネントを探索し、神経オードと専門家の混合に触発されたタイムステップコンディショニング戦略を導入します。
Shockcastは高速フローを学習するための最初のフレームワークであるため、https://huggingface.co/datasets/divelabで入手可能な2つの超音波フローデータセットを生成して、方法を評価します。
私たちのコードは、Airs Library（https://github.com/divelab/airs）の一部として公開されています。

要約(オリジナル)

We consider the problem of modeling high-speed flows using machine learning methods. While most prior studies focus on low-speed fluid flows in which uniform time-stepping is practical, flows approaching and exceeding the speed of sound exhibit sudden changes such as shock waves. In such cases, it is essential to use adaptive time-stepping methods to allow a temporal resolution sufficient to resolve these phenomena while simultaneously balancing computational costs. Here, we propose a two-phase machine learning method, known as ShockCast, to model high-speed flows with adaptive time-stepping. In the first phase, we propose to employ a machine learning model to predict the timestep size. In the second phase, the predicted timestep is used as an input along with the current fluid fields to advance the system state by the predicted timestep. We explore several physically-motivated components for timestep prediction and introduce timestep conditioning strategies inspired by neural ODE and Mixture of Experts. As ShockCast is the first framework for learning high-speed flows, we evaluate our methods by generating two supersonic flow datasets, available at https://huggingface.co/datasets/divelab. Our code is publicly available as part of the AIRS library (https://github.com/divelab/AIRS).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google