Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

AB-UPT: Escalado de sustitutos neuronales de CFD para simulaciones aerodinámicas automotrices de alta fidelidad mediante transformadores de física universal anclados y ramificados

Created by
  • Haebom

Autor

Benedikt Alkin, Maurits Bleeker, Richard Kurle, Tobias Kronlachner, Reinhard Sonnleitner, Matthias Dorfer, Johannes Brandstetter

Describir

Este artículo analiza los avances recientes en el modelado neuronal sustituto que podrían conducir a avances revolucionarios en aplicaciones como la aerodinámica automotriz. Los problemas a escala industrial suelen implicar mallas volumétricas con recuentos de células cercanos a los 100 millones, lo que plantea importantes desafíos para la escalabilidad. Las geometrías complejas complican aún más el modelado mediante interacciones complejas entre la superficie y el volumen, y magnitudes como los remolinos son altamente no lineales y requieren restricciones estrictas de libre divergencia. Para abordar estos requisitos, presentamos los Transformadores de Física Universal Anclados-Ramificados (AB-UPT), un novedoso marco de modelado para la construcción de modelos neuronales sustitutos para simulaciones de dinámica de fluidos computacional (CFD). AB-UPT está diseñado para (i) separar las tareas de codificación y predicción geométrica mediante operadores multiramificados, (ii) combinar la simulación neuronal en un espacio latente de baja dimensión con un decodificador de campo neuronal anclado para predecir resultados de alta fidelidad, lo que permite la escalabilidad a resultados de alta resolución, y (iii) reforzar la consistencia física mediante una novedosa formulación libre de divergencia. AB-UPT proporciona una precisión de predicción de vanguardia para campos de superficie y volumen en simulaciones CFD automotrices, con mallas que van desde 33 000 hasta 150 000 de celdas. Además, la arquitectura de campo neuronal fijo propuesta permite aplicar restricciones físicas estrictas a las predicciones físicas sin degradar el rendimiento, como lo demuestra el modelado de campos de remolinos libres divergentes. En particular, el modelo propuesto puede entrenarse en una sola GPU en menos de un día y puede predecir campos de superficie y volumen estándar de la industria en segundos. Además, este artículo demuestra que el diseño flexible del método propuesto permite realizar simulaciones neuronales utilizando únicamente geometrías de diseño asistidas por computadora, sin necesidad de costosos procedimientos de mallado CFD.

Takeaways, Limitations

Takeaways:
Proporciona un modelo sustituto neuronal eficiente y preciso para simulaciones CFD a gran escala utilizando mallas de volumen de alta resolución.
Aplicar eficazmente restricciones físicas (por ejemplo, libertad de divergencia) a través de campos neuronales fijos.
El diseño asistido por computadora permite realizar simulaciones utilizando solo geometría, eliminando el paso de malla.
Proporciona entrenamiento rápido y velocidad de predicción en una sola GPU.
Limitations:
Se necesitan más estudios para investigar la generalidad del método propuesto y su aplicabilidad a diversos problemas de dinámica de fluidos.
Se requiere la evaluación del desempeño de modelos para estructuras geométricas muy complejas o fenómenos de fluidos.
Puede haber dificultades a la hora de obtener datos de entrenamiento para conjuntos de datos grandes.
👍