NeuroSEM: A hybrid framework for simulating multiphysics problems by coupling PINNs and spectral elements

要約

流体力学、熱伝達、構造力学、電磁気学の間の複雑な相互作用を特徴とするマルチフィジックス問題は、それらが組み合わさった性質のため本質的に困難です。
特定の状態変数に関する実験データが入手できる場合もありますが、これらのデータを数値ソルバーと統合することは依然として大きな課題です。
物理情報に基づいたニューラル ネットワーク (PINN) は、さまざまな工学分野、特にノイズの多いデータの処理や偏微分方程式 (PDE) の逆問題の解決において有望な結果を示しています。
しかし、特に乱流を伴うマルチフィジックス領域における非線形現象の予測におけるその有効性は、まだ十分に確立されていません。
この研究では、PINN と高忠実度スペクトル要素法 (SEM) ソルバー Nektar++ を統合するハイブリッド フレームワークである NeuroSEM を紹介します。
NeuroSEM は、PINN と SEM の両方の長所を活用し、マルチフィジックス問題に対する堅牢なソリューションを提供します。
PINN は、データを同化して特定のサブドメインの物理現象をモデル化するようにトレーニングされ、Nektar++ ソルバーに統合されます。
キャビティ内の流れとシリンダーを通過する流れにおける熱対流に対する NeuroSEM の効率と精度を実証します。
私たちは、NeuroSEM を、熱境界条件が欠落しているケースやノイズの多いデータセットを含むレイリー・ベナード対流システムと、馬蹄形の渦構造によって特徴付けられる流れパターンを捕捉するための実粒子画像流速測定 (PIV) データに適用しました。
このフレームワークのプラグ アンド プレイの性質により、他のマルチフィジックスまたはマルチスケールの問題への拡張が容易になります。
さらに、NeuroSEM は、新たな統合 GPU-CPU アーキテクチャ上で効率的に実行できるように最適化されています。
このハイブリッド アプローチにより、シミュレーションの精度と効率が向上し、さまざまな科学分野における複雑なエンジニアリングの課題に取り組むための強力なツールになります。

要約(オリジナル)

Multiphysics problems that are characterized by complex interactions among fluid dynamics, heat transfer, structural mechanics, and electromagnetics, are inherently challenging due to their coupled nature. While experimental data on certain state variables may be available, integrating these data with numerical solvers remains a significant challenge. Physics-informed neural networks (PINNs) have shown promising results in various engineering disciplines, particularly in handling noisy data and solving inverse problems in partial differential equations (PDEs). However, their effectiveness in forecasting nonlinear phenomena in multiphysics regimes, particularly involving turbulence, is yet to be fully established. This study introduces NeuroSEM, a hybrid framework integrating PINNs with the high-fidelity Spectral Element Method (SEM) solver, Nektar++. NeuroSEM leverages the strengths of both PINNs and SEM, providing robust solutions for multiphysics problems. PINNs are trained to assimilate data and model physical phenomena in specific subdomains, which are then integrated into the Nektar++ solver. We demonstrate the efficiency and accuracy of NeuroSEM for thermal convection in cavity flow and flow past a cylinder. We applied NeuroSEM to the Rayleigh-B\’enard convection system, including cases with missing thermal boundary conditions and noisy datasets, and to real particle image velocimetry (PIV) data to capture flow patterns characterized by horseshoe vortical structures. The framework’s plug-and-play nature facilitates its extension to other multiphysics or multiscale problems. Furthermore, NeuroSEM is optimized for efficient execution on emerging integrated GPU-CPU architectures. This hybrid approach enhances the accuracy and efficiency of simulations, making it a powerful tool for tackling complex engineering challenges in various scientific domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google