Convolutional Long Short-Term Memory Neural Networks Based Numerical Simulation of Flow Field

要約

計算流体力学（CFD）は、流れ場を分析するための主なアプローチです。
ただし、収束と精度は、フロー、数値的方法、および時間消費の数学的モデルに大きく依存します。
提出されたフローの深い学習ベースの分析は、代替手段を提供します。
フローフィールド予測のタスクについては、フローフィールドの時間的および空間的特性を考慮して、ベースラインネットワークとして改善された畳み込み短期記憶（con-vlstm）ニューラルネットワークが提案されています。
動的メッシュテクノロジーとユーザー定義関数（UDF）を組み合わせて、円柱の周りの流れの数値シミュレーションが実行されました。
フローフィールドスナップショットを使用して、さまざまな時期にシリンダーのウェイク領域からのデータをサンプリングし、十分なボリュームとリッチフロー状態のvar-iationを備えたフローフィールドデータセットを構築しました。
残留ネットワークと注意メカニズムは、標準のreblSTMモデルと組み合わされます。
標準のroblSTMモデルと比較して、結果は、改善されたroblSTMモデルがより多くの時間的および空間的特徴を抽出しながら、パラメーターが少なく、列車時間が短いことを示しています。

要約(オリジナル)

Computational Fluid Dynamics (CFD) is the main approach to analyzing flow field. However, the convergence and accuracy depend largely on mathematical models of flow, numerical methods, and time consumption. Deep learning-based analysis of flow filed provides an alternative. For the task of flow field prediction, an improved Convolutional Long Short-Term Memory (Con-vLSTM) Neural Network is proposed as the baseline network in consideration of the temporal and spatial characteristics of flow field. Combining dynamic mesh technology and User-Defined Function (UDF), numerical simulations of flow around a circular cylinder were conducted. Flow field snapshots were used to sample data from the cylinder’s wake region at different time instants, constructing a flow field dataset with sufficient volume and rich flow state var-iations. Residual networks and attention mechanisms are combined with the standard ConvLSTM model. Compared with the standard ConvLSTM model, the results demonstrate that the improved ConvLSTM model can extract more temporal and spatial features while having fewer parameters and shorter train-ing time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google