[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被引用 64

一句话总结

深度CFD 使用 U-Net CNN 来近似 2D 非均匀稳态层流解（速度和压强），从边界几何获得，相较于传统 CFD 在 CPU 上实现高达 1000x 的加速，误差低。它扩展了先前工作，提供完整的速度和压力场，具有多个解码器。

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

• 推动在工程设计与优化中降低稳态层流 CFD 计算成本。
• 提出一个 CNN 代理（DeepCFD），从 CFD 的真值数据学习速度和压力场。
• 扩展现有方法，使用带有独立解码器的 U-Net 架构输出完整的速度和压力场。
• 提供数据集和代码，以实现可重复性和社区贡献。

提出的方法

• 使用符号距离函数（SDF）表示流动几何形状，以及一个多类别流动区域通道作为 CNN 输入。
• 使用下采样的编码器来学习潜在几何表示（LGR），随后通过上采样解码器将 LGR 映射到速度（Ux, Uy）和压力（p）。
• 将自编码器（AE）基线与基于 U-Net 的架构及多解码器（AE-3、UNet-3 等）进行比较。
• 使用由 OpenFOAM（simpleFoam）生成的二维通道流动围绕随机形状障碍物的真值 CFD 数据进行训练。
• 使用 AdamW 优化器，批量大小为 64；损失函数将速度的均方误差和压力的平均绝对误差结合起来；对损失进行归一化以避免偏差。
• 在学习率、核大小、编码器/解码器深度和归一化选择上进行超参数搜索。

实验结果

研究问题

• RQ1 一个 CNN 代理是否能够从几何边界条件准确近似 2D 非均匀稳态层流场（Ux, Uy, p）？
• RQ2 带有独立解码器的 U-Net 是否比具有共享解码器的基线自编码器在速度和压力重建方面表现更好？
• RQ3 在不同障碍物几何形状下，DeepCFD 相较于传统 CFD（OpenFOAM）和基线模型的精度与加速比权衡是如何的？
• RQ4 在定性流动特征（停滞、分离、压力区）方面，DeepCFD 相对于真值 CFD 在速度/压力场重建上的表现如何？

主要发现

• DeepCFD（UNet-3 架构）在 Ux、Uy 和 p 的测试 MSE 上最优，优于基线和其他架构。
• 在 5 次样本测试中，UNet-1 与 DeepCFD 比较，DeepCFD 将总 MSE 降至 2.0303 ± 0.1360，而 UNet-1 为 2.9203 ± 0.1520。
• 相对于基线 AE-1，DeepCFD 在测试集上将总 MSE 从 4.4981 ± 0.1753 提升到 2.0303 ± 0.1360，同时在 Ux、Uy 和 p 的误差也相应降低。
• 相对于真实 CFD，DeepCFD 保持低误差，同时在 CPU-CPU 的批量预测中实现约 3 个数量级的加速，在 GPU-CPU 下最高可达约 5 个数量级。
• 定性流场重建显示 DeepCFD 捕捉到关键特征，如高压前区域和对各种障碍形状的流动分离。
• 预测误差分布表明大多数预测处于低相对误差区间（通常低于 10%）。
• DeepCFD 提供完整的速度和压力场，而不仅仅是速度大小，这提高了在工程应用中的实用性。