[论文解读] NeuralDrop: DNN-based Simulation of Small-Scale Liquid Flows on Solids

Rajaditya Mukherjee, Qingyang Li+3 more|arXiv (Cornell University)|Nov 6, 2018

Computer Graphics and Visualization Techniques参考文献 20被引用 5

一句话总结

NeuralDrop 提出了一种基于深度学习的模拟器，用于在固体表面模拟小尺度液滴流动，采用基于LSTM的神经网络，并在真实世界液滴数据上进行训练。通过以拉格朗日形式表示液滴的接触前沿，该系统可预测轮廓演化、颜色梯度变化以及破裂事件，从而实现高效且高保真度的合并、分裂和表面张力效应的真实感动画。

ABSTRACT

Small-scale liquid flows on solid surfaces provide convincing details in liquid animation, but they are difficult to be simulated with efficiency and fidelity, mostly due to the complex nature of the surface tension at the contact front where liquid, air, and solid meet. In this paper, we propose to simulate the dynamics of new liquid drops from captured real-world liquid flow data, using deep neural networks. To achieve this goal, we develop a data capture system that acquires liquid flow patterns from hundreds of real-world water drops. We then convert raw data into compact data for training neural networks, in which liquid drops are represented by their contact fronts in a Lagrangian form. Using the LSTM units based on recurrent neural networks, our neural networks serve three purposes in our simulator: predicting the contour of a contact front, predicting the color field gradient of a contact front, and finally predicting whether a contact front is going to break or not. Using these predictions, our simulator recovers the overall shape of a liquid drop at every time step, and handles merging and splitting events by simple operations. The experiment shows that our trained neural networks are able to perform predictions well. The whole simulator is robust, convenient to use, and capable of generating realistic small-scale liquid effects in animation.

研究动机与目标

• 为解决在固体表面高保真度且高效地模拟小尺度液流的挑战，特别是三相接触线处复杂的表面张力效应。
• 克服基于物理的模拟方法的局限性，后者受严格的CFL条件限制，并需要难以测量的精确材料属性数据。
• 开发一种基于数据驱动的方法，利用真实世界液流记录捕捉复杂动力学，而无需依赖不完整的物理模型。
• 通过基于学习的框架实现实时光滑的液滴动画，包括合并、分裂以及尺寸相关的流动行为。

提出的方法

• 自定义数据采集系统获取真实水滴在不同表面上的高速视频，以收集真实流动模式作为训练数据。
• 将原始视频数据转换为紧凑的训练数据，通过拉格朗日轮廓形式表示每个液滴的接触前沿。
• 训练三个独立的基于LSTM的循环神经网络：一个用于预测下一时刻的轮廓形状，一个用于预测颜色梯度演化，一个用于预测破裂事件。
• 通过将神经网络预测结果与简单的几何运算相结合，重建三维液滴形状，并处理如合并与分裂等拓扑变化。
• 使用Keras与TensorFlow在单张GPU上进行训练，训练1000个周期并采用学习率衰减，实现稳定收敛。

实验结果

研究问题

• RQ1 深度神经网络能否基于真实世界数据准确预测小尺度液滴在固体表面的运动与形状演化？
• RQ2 基于学习的方法在捕捉复杂表面张力效应（包括接触角滞后与三相相互作用）方面表现如何？
• RQ3 接触前沿的拉格朗日表示是否能实现在无需完整流体体积追踪的前提下，高效且稳定地模拟合并与分裂事件？
• RQ4 基于DNN的模拟器在不同液滴尺寸与表面材料之间具有多大程度的泛化能力？
• RQ5 与真实情况相比，基于神经网络的模拟器在形状演化与拓扑事件方面的性能如何？

主要发现

• 神经网络能够准确预测轮廓演化、颜色梯度变化以及破裂事件，从而实现液滴动力学的真实感模拟。
• 模拟器成功再现了尺寸相关的流动行为：较大液滴移动更快，而小液滴则因接触角滞后而保持静止。
• 在测试案例中，系统正确预测了一次分裂事件，但因初始状态估计与重建误差中的噪声，对多次分裂的预测存在低估。
• 在单张P100 GPU上训练时间约为四天，推理速度适合动画应用。
• 通过几何运算与神经预测协同，系统在处理合并与分裂事件方面表现出良好的鲁棒性。
• 局限性包括在高度疏水表面（接触角 >90°）、曲面或不平整表面，以及存在风力或用户输入等外部力作用时性能下降。