[论文解读] DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks

Mateus Dias Ribeiro, Abdul Rehman+2 more|arXiv (Cornell University)|Apr 19, 2020

Model Reduction and Neural Networks参考文献 18被引用 56

一句话总结

DeepCFD 使用 CNN（具有多个解码器的 U-Net）从边界几何近似 2D 非均匀稳态层流解（速度和压力），在标准 CFD 上实现高达 3 个数量级的加速，误差较低。GPU 加速可实现高达 5 个数量级的加速。

ABSTRACT

Computational Fluid Dynamics (CFD) simulation by the numerical solution of the Navier-Stokes equations is an essential tool in a wide range of applications from engineering design to climate modeling. However, the computational cost and memory demand required by CFD codes may become very high for flows of practical interest, such as in aerodynamic shape optimization. This expense is associated with the complexity of the fluid flow governing equations, which include non-linear partial derivative terms that are of difficult solution, leading to long computational times and limiting the number of hypotheses that can be tested during the process of iterative design. Therefore, we propose DeepCFD: a convolutional neural network (CNN) based model that efficiently approximates solutions for the problem of non-uniform steady laminar flows. The proposed model is able to learn complete solutions of the Navier-Stokes equations, for both velocity and pressure fields, directly from ground-truth data generated using a state-of-the-art CFD code. Using DeepCFD, we found a speedup of up to 3 orders of magnitude compared to the standard CFD approach at a cost of low error rates.

研究动机与目标

• 解决传统 CFD 在稳态层流问题上的高计算成本。
• 开发基于 CNN 的代理模型，能够从几何输入重建完整的速度和压力场。
• 展示在保持耦合流场的同时，相较于 CFD 求解器的准确性提升与显著加速。
• 提供开源代码和数据集，便于社区参与贡献。

提出的方法

• 使用来自 OpenFOAM simpleFoam 的真实数据来训练基于 CNN 的代理。
• 利用符号距离函数（SDF）表示几何，并将其用作多类别流域通道输入。
• 采用类似 U-Net 的架构（DeepCFD），具有独立解码器以预测 Ux、Uy 和 p。
• 在 4 种架构和 108 种配置上进行超参数搜索，以选出最佳模型（UNet-3，具独立解码器）。
• 使用 AdamW 训练；速度损失使用 MSE，压力损失使用 MAE 以稳定耦合；对各输出的损失进行归一化处理。

实验结果

研究问题

• RQ1 一个 CNN 代理是否能够准确重建随机形状障碍物周围的二维稳态层流的速度和压力场？
• RQ2 带独立解码器的 U-Net 在预测耦合的速度–压力场方面是否优于基线自编码器变体？
• RQ3 相较于在 CPU 和 GPU 上的传统 CFD，所提出的 DeepCFD 模型在准确性与加速方面的权衡如何？

主要发现

• 采用 UNet-3 且具独立解码器的 DeepCFD 对 Ux (0.7730 ±0.0897)、Uy (0.2153 ±0.0186) 和 p (1.0420 ±0.0431) 的平均平方误差低于基线和 AE 变体。
• DeepCFD UNet-3 的总测试 MSE 为 2.0303 ±0.1360，优于最佳基线（AE-1: 4.4981 ±0.1753；UNet-1: 2.9203 ±0.1520）。
• DeepCFD 在所有输出上均优于基线，压力预测从一开始就有所提升（总误差约比基线低 17% 左右）。
• 预测时间显示出显著加速：CPU-CPU 每批次最快约 1,000–1,500 倍（1、10、100）；GPU-CPU 在批量大小 1–100 时最快约 5×10^4–5×10^5 倍速。
• 总体而言，DeepCFD 在 CPU 上可实现最多 3 个数量级的加速，在 GPU 上可实现最多 5 个数量级的加速，且误差率较低。
• 定性流场重建在不同障碍形状下能捕捉关键特征（压力区、分流等），与真实 CFD 相似。