[论文解读] U-net architectures for fast prediction of incompressible laminar flows

Junfeng Chen, Jonathan Viquerat+1 more|arXiv (Cornell University)|Oct 25, 2019

Real-time simulation and control systems参考文献 11被引用 36

一句话总结

本文oto 翻译？

ABSTRACT

Machine learning is a popular tool that is being applied to many domains, from computer vision to natural language processing. It is not long ago that its use was extended to physics, but its capabilities remain to be accurately contoured. In this paper, we are interested in the prediction of 2D velocity and pressure fields around arbitrary shapes in laminar flows using supervised neural networks. To this end, a dataset composed of random shapes is built using Bezier curves, each shape being labeled with its pressure and velocity fields by solving Navier-Stokes equations using a CFD solver. Then, several U-net architectures are trained on the latter dataset, and their predictive efficiency is assessed on unseen shapes, using ad hoc error functions.

研究动机与目标

• 用神经网络为二维层流场提供快速代理预测提供动机。
• 在 Re=10 的条件下，创建一个带有 CFD 标注速度和压力场的任意形状数据集。
• 评估多种 U-net 架构在回归精度和对未知形状的泛化能力方面的表现。
• 在预测性能和训练成本方面比较基线与高级 U-net。

提出的方法

• 使用三次贝塞尔曲线生成随机的二维形状来组成训练数据。
• 使用浸入边界法求解 Navier–Stokes 方程以获取速度和压力标注。
• 在数据集上训练并评估多种基于 U-net 的架构（基线、SU-net、CU-net、PU-net）。
• 使用均方误差（MSE）和相对像素级误差度量来评估预测准确性。
• 将输入下采样至 107x78 像素以降低训练成本，并在 Keras 中实现模型。
• 对测试形状和未见配置提供定性和定量比较。

实验结果

研究问题

• RQ1 在 Re=10 的层流中，U-net 架构是否能够准确预测任意二维形状周围的稳态二维速度场和压力场？
• RQ2 高级 U-net 变体（SU-net、CU-net、PU-net）是否相较基线 U-net 在回归任务上提供了有意义的改进？
• RQ3 训练好的模型对未知形状和实际几何形状（如 NACA 风翼）有多强的泛化能力？
• RQ4 不同 U-net 架构在预测精度与训练/推理成本之间的权衡是什么？

主要发现

• 高级 U-nets 在测试子集的速度 MSE 上提升最高可达 45%，但可能无法证明额外训练成本的正当性。
• SU-nets 将速度预测的标准差和最大误差分别降低约 40% 和 50%，在处理异常值方面表现更好。
• 在此设置中，压力预测通常不会因为网络更复杂而改善，且可能条件性很差。
• 基线 U-net 在普通计算机上训练约需 3 小时，而 SU-, CU-, PU-nets 需要 6–7 小时，参数量为 15–18 百万。
• 对未知形状（如 NACA 风翼）上的预测保持物理意义，并在网络分辨率范围内捕捉关键的流动特征。