[论文解读] Well, how accurate is it? A Study of Deep Learning Methods for Reynolds-Averaged Navier-Stokes Simulations.

Nils Thuerey, Konstantin Weißenow+4 more|arXiv (Cornell University)|Oct 18, 2018

Model Reduction and Neural Networks被引用 9

一句话总结

本研究评估了深度学习模型，特别是经过现代化改进的U-Net，以高精度预测雷诺平均纳维-斯托克斯（RANS）方程解。利用多种机翼几何形状，最佳模型在未见过的案例中对压力和速度的预测平均相对误差均低于3%，完整代码已公开以确保可复现性，并可广泛应用于笛卡尔网格上的PDE边值问题。

ABSTRACT

With this study we investigate the accuracy of deep learning models for the inference of Reynolds-Averaged Navier-Stokes solutions. We focus on a modernized U-net architecture, and evaluate a large number of trained neural networks with respect to their accuracy for the calculation of pressure and velocity distributions. In particular, we illustrate how training data size and the number of weights influence the accuracy of the solutions. With our best models we arrive at a mean relative pressure and velocity error of less than 3% across a range of previously unseen airfoil shapes. In addition all source code is publicly available in order to ensure reproducibility and to provide a starting point for researchers interested in deep learning methods for physics problems. While this work focuses on RANS solutions, the neural network architecture and learning setup are very generic, and applicable to a wide range of PDE boundary value problems on Cartesian grids.

研究动机与目标

• 评估深度学习模型在推断流体动力学RANS方程解方面的准确性。
• 研究训练数据规模和模型容量（参数数量）对解精度的影响。
• 开发一种通用、可复现的深度学习框架，适用于笛卡尔网格上的多种PDE边值问题。
• 提供一个公开的代码库，以支持物理信息机器学习领域的研究。

提出的方法

• 采用现代化的U-Net架构作为深度学习模型，从机翼几何形状输入回归速度场和压力场。
• 在涵盖多种机翼形状的大量合成RANS模拟数据集上进行模型训练。
• 训练过程通过最小化压力和速度预测的相对误差损失函数来优化。
• 在未见过的机翼几何形状上评估泛化性能，以检验模型的鲁棒性和泛化能力。
• 架构和训练设置设计为可迁移至其他结构化笛卡尔网格上的PDE问题。
• 所有源代码已公开发布，以确保可复现性并促进未来研究。

实验结果

研究问题

• RQ1 深度学习模型在预测未见过的机翼几何形状的RANS解方面，其精度如何？
• RQ2 训练数据集规模和模型参数数量如何影响预测精度？
• RQ3 基于U-Net的模型在训练过程中未见过的多样化机翼形状上，其泛化能力如何？
• RQ4 所提出的深度学习框架能否广泛应用于笛卡尔网格上的其他PDE边值问题？
• RQ5 该方法在压力和速度预测中可实现的最小相对误差是多少？

主要发现

• 表现最佳的深度学习模型在多种此前未见过的机翼形状上，对压力和速度预测的平均相对误差均低于3%。
• 模型精度随训练数据规模增大和模型容量（参数数量）提高而提升，表明其对数据量和参数数量有强依赖性。
• 基于U-Net的架构能有效泛化至新型机翼几何形状，表现出超越训练分布的鲁棒性。
• 所提出的方法具有高度可迁移性，相同架构和训练设置可适用于笛卡尔网格上多种PDE边值问题。
• 完整源代码已公开，支持可复现性，并可作为未来物理信息深度学习研究的基石。