Fast-Forward Lattice Boltzmann: Learning Kinetic Behaviour with Physics-Informed Neural Operators
Xiao Xue, Marco F.P. ten Eikelder, Mingyang Gao, Xiaoyuan Cheng, Yiming Yang, Yi He, Shuo Wang, Sibo Cheng, Yukun Hu, Peter V. Coveney
植根于动力学理论的格子玻尔兹曼方程(LBE)通过描述单粒子分布函数(PDF)的演变,为捕获复杂的流行为提供了强大的框架。 尽管取得了成功,但由于碰撞内核施加了严格的时间步骤限制,在数值上解决LBE仍然是计算密集型的。 在这里,我们引入了一个物理信息的神经运算符框架,该框架可以在没有分步集成的情况下进行大时间视距的预测,有效地绕过了明确解决碰撞内核的需要。 我们纳入了LBE的内在时刻匹配约束,以及整个分布领域的全球等价,使模型能够捕获底层动力学系统的复杂动态。 我们的框架是离散不变的,使模型在粗格格上训练,可以概括为更精细的(动力学超分辨率)。 此外,它与底层碰撞模型的特定形式不可知,这使得它自然地适用于不同的动力学数据集,无论管理动态如何。 我们的研究结果展示了复杂流程场景的稳健性,包括冯·卡尔曼漩涡脱落、韧带断裂和气泡粘附。 这为建模动力学系统建立了新的数据驱动途径。
The lattice Boltzmann equation (LBE), rooted in kinetic theory, provides a powerful framework for capturing complex flow behaviour by describing the evolution of single-particle distribution functions (PDFs). Despite its success, solving the LBE numerically remains computationally intensive due to strict time-step restrictions imposed by collision kernels. Here, we introduce a physics-informed neural operator framework for the LBE that enables prediction over large time horizons without step-by-...
