这是一篇去年发表在《化工学报》的论文。名字叫“一种耦合CFD与深度学习的气固快速模拟方法”。因为都是中文写的,所以就不需要AI翻译了,岳子简要解读一下。
瞬态流场的结果是不是跟时间有关?直接感受的话是的。比如圆柱扰流展现了非常周期性的瞬态流场。
通过把之前若干时间步的流场结果输入进网络,是不是可以预测后面时间步的流场结果?这就是循环网络擅长干的事。
如上图所示,过程所几个大佬从气固流动下手,通过OpenFOAM来进行经典CFD的流场求解,取前几个时间步的流场结果,输入到libtorch的卷积长短时记忆网络后进行下几个时间步的流场预测。
这个求解流程就可以理解为:先用CFD算几步,然后用神经网络算几步,然后再用CFD算几步,再用神经网络算几步,直至结束。
结果那必然是嘎嘎准。
大佬们测试了OpenFOAM+libtorch的速度,从测试的结果来看,最高加速可达到9.1倍!
也就是说之前经典CFD要算9个小时的,通过OpenFOAM+libtorch来搞算1个小时就搞定了。
几个大佬在前几天顺着这个工作,针对泡泡流进行研究,又爆了一个顶刊CEJ!
LSTM用在CFD上面的研究,相对于全连接网络流场重组、数据驱动湍流模型之类的要小众。
岳子认为这个工作算是一个开创性工作。虽然2020年左右有韩国学者应用过LSTM来做瞬态流场DNS。如下图所示。
过程所温等的工作应该是首次将其在气固领域实现了。属于原创性的开拓性的工作。
这一波吹爆中科院过程所!嘎嘎一嘎子!
长短时记忆流场预测今年岳子没时间干了
2025年岳子计划亲自玩一玩
岳子一边写代码,一边卖服务器
一边是兴趣,一边是生活
岳子9月份的CFD算法编程课
手推方程、现场从0写代码
报名进行中,阅读原文