[论文解读] Neural Vortex Method: from Finite Lagrangian Particles to Infinite Dimensional Eulerian Dynamics

Shiying Xiong, Xingzhe He+3 more|arXiv (Cornell University)|Jun 7, 2020

Model Reduction and Neural Networks参考文献 45被引用 5

一句话总结

本文提出神经涡旋方法（NVM），一种基于学习的框架，利用神经网络对拉格朗日涡旋结构及其动力学进行建模，从而实现从有限粒子中高精度重建欧拉流场。通过结合涡旋检测网络与涡旋动力学网络，并嵌入涡度-速度泊松求解器，NVM 在仅需极短数据训练窗口的情况下，相比传统拉格朗日涡旋方法（LVM），相对速度误差降低超过10倍。

ABSTRACT

In the field of fluid numerical analysis, there has been a long-standing problem: lacking of a rigorous mathematical tool to map from a continuous flow field to discrete vortex particles, hurdling the Lagrangian particles from inheriting the high resolution of a large-scale Eulerian solver. To tackle this challenge, we propose a novel learning-based framework, the Neural Vortex Method (NVM), which builds a neural-network description of the Lagrangian vortex structures and their interaction dynamics to reconstruct the high-resolution Eulerian flow field in a physically-precise manner. The key components of our infrastructure consist of two networks: a vortex representation network to identify the Lagrangian vortices from a grid-based velocity field and a vortex interaction network to learn the underlying governing dynamics of these finite structures. By embedding these two networks with a vorticity-to-velocity Poisson solver and training its parameters using the high-fidelity data obtained from high-resolution direct numerical simulation, we can predict the accurate fluid dynamics on a precision level that was infeasible for all the previous conventional vortex methods (CVMs). To the best of our knowledge, our method is the first approach that can utilize motions of finite particles to learn infinite dimensional dynamic systems. We demonstrate the efficacy of our method in generating highly accurate prediction results, with low computational cost, of the leapfrogging vortex rings system, the turbulence system, and the systems governed by Euler equations with different external forces.

研究动机与目标

• 为解决长期存在的将连续欧拉流场映射到有限拉格朗日粒子时分辨率损失的挑战。
• 克服传统拉格朗日涡旋方法（LVM）在处理外力及毕奥-萨伐尔定律奇点时的不准确性。
• 开发一种数据驱动框架，嵌入物理先验（如不可压缩性、涡度动力学），以确保流体预测的物理解释性与稳定性。
• 实现对受纳维-斯托克斯方程支配的复杂流体系统（包括具有非平凡外力的系统）的高精度预测。
• 通过在短时间窗口内进行训练，减少数据需求，使该方法在真实世界数据采集中更具实用性。

提出的方法

• 采用双流神经网络架构：涡旋检测网络用于从基于网格的速度场中识别拉格朗日涡旋。
• 涡旋动力学网络用于基于底层流体动力学学习涡旋位置与强度的时间演化。
• 集成涡度-速度泊松求解器，从学习到的涡旋构型重建完整的欧拉速度场。
• 使用高分辨率基于网格的模拟数据进行端到端训练，损失函数强制满足物理一致性。
• 采用离散化的毕奥-萨伐尔定律进行速度计算，神经网络用于缓解粒子间距离过近时的奇点与不准确性。
• 在极短的时间窗口（小于预测周期的1/100）内进行训练，实现高效的数据学习。

实验结果

研究问题

• RQ1 神经网络框架能否从有限组拉格朗日涡旋粒子中准确重建高分辨率欧拉流体场？
• RQ2 学习到的涡旋动力学模型能否在准确性上超越传统拉格朗日涡旋方法，尤其是在外力作用下？
• RQ3 数据驱动方法能否在保持低计算成本和跨多样化流体系统良好泛化能力的同时，实现高物理保真度？
• RQ4 神经网络在有限模拟数据下，能在多大程度上学习到底层纳维-斯托克斯动力学？
• RQ5 该框架能否以高精度与稳定性处理复杂流体行为，如湍流与涡旋环的跳跃对撞？

主要发现

• 在周期性方箱中求解纳维-斯托克斯方程时，NVM 相较于传统拉格朗日涡旋方法（LVM），相对速度误差降低超过10倍。
• NVM 在非平凡外力（如旋转力与均匀力）作用下成功预测流体动力学，而 LVM 因无法捕捉漂移速度而失效。
• 该方法仅需极短的训练窗口（小于总预测周期的1%），即实现高精度，展现出强大的数据效率。
• NVM 在复杂系统中保持稳定且准确的预测，包括涡旋环跳跃对撞与湍流流动，即使粒子数量较少亦然。
• 随着 NVM 粒子数量的增加，速度重建误差降低，趋近于基于网格的直接数值模拟（DNS）的精度。
• 该框架在处理物理不连续性与数值不稳定性方面表现出鲁棒性，而这些问题常困扰传统涡旋方法。