[论文解读] Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey

Haixin Wang, Yadi Cao+14 more|arXiv (Cornell University)|Aug 22, 2024

Model Reduction and Neural Networks被引用 29

一句话总结

一份全面、最新的综述（2020–2024），将机器学习用于 CFD 分类为 Data-driven Surrogates、Physics-Informed Surrogates、和 ML-assisted Numerical Solutions，并覆盖 inverse design/control 与应用。

ABSTRACT

This paper explores the recent advancements in enhancing Computational Fluid Dynamics (CFD) tasks through Machine Learning (ML) techniques. We begin by introducing fundamental concepts, traditional methods, and benchmark datasets, then examine the various roles ML plays in improving CFD. The literature systematically reviews papers in recent five years and introduces a novel classification for forward modeling: Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions. Furthermore, we also review the latest ML methods in inverse design and control, offering a novel classification and providing an in-depth discussion. Then we highlight real-world applications of ML for CFD in critical scientific and engineering disciplines, including aerodynamics, combustion, atmosphere & ocean science, biology fluid, plasma, symbolic regression, and reduced order modeling. Besides, we identify key challenges and advocate for future research directions to address these challenges, such as multi-scale representation, physical knowledge encoding, scientific foundation model and automatic scientific discovery. This review serves as a guide for the rapidly expanding ML for CFD community, aiming to inspire insights for future advancements. We draw the conclusion that ML is poised to significantly transform CFD research by enhancing simulation accuracy, reducing computational time, and enabling more complex analyses of fluid dynamics. The paper resources can be viewed at https://github.com/WillDreamer/Awesome-AI4CFD.

研究动机与目标

• 向 ML 研究者介绍基本的 CFD 概念和基准。
• 为 CFD 的 ML 方法提出一个新 taxonomy: Data-driven Surrogates、Physics-Informed Surrogates、和 ML-assisted Numerical Solutions。
• 系统性回顾近五年聚焦正向建模、逆设计与控制的文献。
• 讨论跨学科的实际应用，并指出 ML for CFD 的挑战与未来方向。

提出的方法

• 将正向建模的 ML 方法分为 Data-driven Surrogates、Physics-Informed Surrogates、和 ML-assisted Numerical Solutions。
• 用新的分类框架回顾逆设计与控制问题。
• 对气动学、燃烧、大气/海洋科学、生物体流、等离子体、符号回归、以及简化模型等领域的应用进行调查。
• 总结基准数据集和评估场景（如 PDEs、流动问题）。
• 识别关键挑战并提出未来研究方向，如多尺度表示和科学基础模型。

实验结果

研究问题

• RQ1 在正向 CFD 建模中使用的主要 ML 方法是什么？它们在数据离散化和表示方面有何差异？
• RQ2 如何在 ML 框架内系统性地对正向和逆向 CFD 问题进行分类？
• RQ3 CFD 中 ML 的常见数据集、基准和应用有哪些，还有哪些挑战仍待解决？
• RQ4 哪些未来方向能够推动 CFD 的 ML，包括物理知识编码和基础模型？

主要发现

• ML 有潜力通过提高准确性和降低计算时间来显著改变 CFD。
• 新颖的分类法将 CFD 的 ML 分为 Data-driven Surrogates、Physics-Informed Surrogates、和 ML-assisted Numerical Solutions。
• 调查覆盖用于 CFD 评估的基准/数据集，如 PDEBench、DeepXDE、PINNacle、和 BLASTNet。
• 现实世界的应用横跨气动学、燃烧、大气/海洋科学、生物体流、等离子体、符号回归、以及降阶建模。
• 识别的关键挑战包括多尺度表示、物理知识编码，以及为发现而开发科学基础模型。