Using Parametric PINNs for Predicting Internal and External Turbulent Flows

要約

2 方程式渦粘性モデルを採用した数値流体力学 (CFD) ソルバーは、レイノルズ平均ナビエ ストークス (RANS) 定式化を使用して乱流をシミュレートするための業界標準です。
これらの方法は、直接数値シミュレーションよりも計算コストが低くなりますが、それでも望ましい精度を達成するにはかなりの計算コストがかかる可能性があります。
これに関連して、物理情報に基づいたニューラル ネットワーク (PINN) は、既存ではあるが限定された CFD ソリューションと支配微分方程式の両方を活用して、計算効率が高く、微分可能で、ほぼ現実的な方法でシミュレーション結果を予測するパラメトリック サロゲート モデルを開発するための有望なアプローチを提供します。
時間のやり方。
この研究では、シリンダー上の流れの予測のみに焦点を当てた、以前に提案された RANS-PINN フレームワークに基づいて構築されています。
パラメトリック代理モデルを構築するための実行可能なアプローチとしての RANS-PINN の有効性を調査するために、内部流れと外部流れの両方に関連する乱流変数の予測における RANS-PINN の精度を調査します。
より複雑な損失関数によるトレーニングの収束を確実にするために、ドメイン ジオメトリを利用して、ソリューション ドメイン内のさまざまな領域からの寄与間の適切なバランスを確保する新しいサンプリング アプローチを採用します。
次に、このフレームワークの有効性を、広範な種類の内部および外部フロー問題を表す 2 つのシナリオに対して実証します。

要約(オリジナル)

Computational fluid dynamics (CFD) solvers employing two-equation eddy viscosity models are the industry standard for simulating turbulent flows using the Reynolds-averaged Navier-Stokes (RANS) formulation. While these methods are computationally less expensive than direct numerical simulations, they can still incur significant computational costs to achieve the desired accuracy. In this context, physics-informed neural networks (PINNs) offer a promising approach for developing parametric surrogate models that leverage both existing, but limited CFD solutions and the governing differential equations to predict simulation outcomes in a computationally efficient, differentiable, and near real-time manner. In this work, we build upon the previously proposed RANS-PINN framework, which only focused on predicting flow over a cylinder. To investigate the efficacy of RANS-PINN as a viable approach to building parametric surrogate models, we investigate its accuracy in predicting relevant turbulent flow variables for both internal and external flows. To ensure training convergence with a more complex loss function, we adopt a novel sampling approach that exploits the domain geometry to ensure a proper balance among the contributions from various regions within the solution domain. The effectiveness of this framework is then demonstrated for two scenarios that represent a broad class of internal and external flow problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google