AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers

要約

神経代理モデリングの最近の進歩は、自動車空力などのアプリケーションの変革的革新の可能性を提供します。
しかし、産業規模の問題には、多くの場合、細胞数が1億人に達する体積メッシュが含まれ、主要なスケーラビリティの課題を提示します。
複雑なジオメトリは、複雑な表面体積相互作用を介してモデリングをさらに複雑にしますが、渦度などの量は非常に非線形であり、厳格な発散のない制約を満たす必要があります。
これらの要件に対処するために、CFDシミュレーションのために神経サロゲートを構築するための新しいモデリングスキームとしてab-upを紹介します。
ab-upは次のように設計されています。（i）マルチブランチオペレーターを介したジオメトリエンコードと予測タスクを分離する。
（ii）低次元の潜在空間でのニューラルシミュレーションを介した高解像度の出力のスケーラビリティを有効にし、固定されたニューラルフィールドデコーダと相まって、高忠実度出力を予測します。
（iii）新しい発散のない製剤による物理学の一貫性を強制します。
Ab-Uptは、33,000人から1億5,000万メッシュのメッシュセルの範囲の自動車CFDシミュレーションで、表面および体積フィールドの最先端の予測精度を生成することを示しています。
さらに、私たちの固定されたニューラルフィールドアーキテクチャにより、発散のない渦度フィールドをモデル化することで例示されるパフォーマンスの分解なしに、物理学の予測に対する硬い物理的制約の実施が可能になります。
特に、提案されているモデルは、1日以内に単一のGPUでトレーニングし、数秒以内に業界標準の表面と体積フィールドを予測できます。
さらに、この方法の柔軟な設計により、CADジオメトリのみからのニューラルシミュレーションが可能になり、費用のかかるCFDメッシュ手順が必要であることが示されています。

要約(オリジナル)

Recent advances in neural surrogate modeling offer the potential for transformative innovations in applications such as automotive aerodynamics. Yet, industrial-scale problems often involve volumetric meshes with cell counts reaching the 100 millions, presenting major scalability challenges. Complex geometries further complicate modeling through intricate surface-volume interactions, while quantities such as vorticity are highly nonlinear and must satisfy strict divergence-free constraints. To address these requirements, we introduce AB-UPT as a novel modeling scheme for building neural surrogates for CFD simulations. AB-UPT is designed to: (i) decouple geometry encoding and prediction tasks via multi-branch operators; (ii) enable scalability to high-resolution outputs via neural simulation in a low-dimensional latent space, coupled with anchored neural field decoders to predict high-fidelity outputs; (iii) enforce physics consistency by a novel divergence-free formulation. We show that AB-UPT yields state-of-the-art predictive accuracy of surface and volume fields on automotive CFD simulations ranging from 33 thousand up to 150 million mesh cells. Furthermore, our anchored neural field architecture enables the enforcement of hard physical constraints on the physics predictions without degradation in performance, exemplified by modeling divergence-free vorticity fields. Notably, the proposed models can be trained on a single GPU in less than a day and predict industry-standard surface and volume fields within seconds. Additionally, we show that the flexible design of our method enables neural simulation from a CAD geometry alone, omitting the need for costly CFD meshing procedures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google