【论文标题】Machine Learning-Based Optimal Mesh Generation in Computational Fluid Dynamics 【作者团队】Keefe Huang, Moritz Krügener, Alistair Brown, Friedrich Menhorn, Hans-Joachim Bungartz, Dirk Hartmann 【发表时间】20210225 【机 构】慕尼黑工业大学 【论文链接】https://arxiv.org/pdf/2102.12923.pdf

【推荐理由】本文出自德国慕尼黑工业大学，针对于计算流体力学模型（CFD）计算过程中最优网格确定问题，采用机器学习方法确定最佳网格密度，通过风洞模拟测试，该方法的准确率较高。 计算流体动力学（CFD）是工程学的一个主要子领域。相应的流量模拟通常以大量的计算资源需求为特征。通常，需要非常细而复杂的网格以适当的方式解决物理影响。由于所有CFD算法至少与基础网格离散化的大小成线性比例关系，因此找到最佳网格对于计算效率至关重要。 用于找到最佳网格的一种方法是面向目标的自适应网格细化。但是，这通常对计算要求很高，并且仅在数量有限的工具中可用。在此贡献范围内，我们采用机器学习方法来确定最佳网格密度。我们使用经典方法生成优化的网格，并提出训练卷积网络，以预测在给定任意几何形状的情况下的最佳网格密度。所提出的概念已在2d风洞模拟中进行了超过60,000次模拟验证。使用20,000个模拟训练集，我们可以达到98.7％以上的准确度。 最佳网格的相应预测可以用作任何网格生成和CFD工具的输入。因此，无需复杂的计算，任何CFD工程师都可以从高质量网格开始其预测。

在这项工作中，整体使用具有跳跃链接模型的UNet网络架构，一个由多层组成的简单卷积神经网络。在此基础上，创建Staircase UNet体系结构。 这种结构在网络的每个深度处都添加了额外的层，从而在进行上采样或下采样之前执行了其他卷积操作，下图可以直观地看到此体系结构。

图1 神经网络架构

内容中包含的图片若涉及版权问题，请及时与我们联系删除