物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
干燥机在磷酸盐岩的加工中起着核心作用,其中去除水分对于下游处理和能源效率至关重要。 由于这些系统固有的非线性和多变量性质,准确的建模和控制仍然是工业挑战。 本文介绍了磷酸卵石旋转干燥过程的综合非线性动态模型,该模型从第一原理构建到捕获耦合热和质量传递,蒸发动力学和子系统相互作用。
不同的物理模拟器被证明是开发计算流体动力学(CFD)数据驱动模型的宝贵工具。 特别是,这些模拟器支持在CFD求解器中嵌入的机器学习(ML)模型的端到端训练。 这种范式使新颖的算法能够将基于物理的模拟的广义能力和低成本与深度学习方法的灵活性和自动化相结合。 在这项研究中,我们引入了一个框架,用于将深度学习模型嵌入到有限元求解器中,用于不可压缩的Navier-Sokes方程,特别是应用这种方法来学习具有图形神经网络(GNN)的子网格尺度(SGS)闭包。 我们首先展示了通过二维向后步骤进行流式传输方法的可行性,并将其用作概念验证,以表明求解器一致性训练产生稳定和物理上有意义的闭包。 然后,我们将其扩展到三维向后向的台阶上的湍流。 在这种设置中,基于GNN的闭包不仅可以获得低预测错误,还可以恢复关键湍流统计并保留多尺度的湍流结构。 我们进一步证明,闭包也可以识别在数据有限的学习场景中。 总体而言,拟议的端到端学习范式为在复杂和非结构化领域进行物理一致和可推广的数据驱动的SGS建模提供了可行的途径。
在Re = 50,000的二维RAE2822气箔上对可压缩的跨声冲击边界层相互作用的主动流量控制使用深度强化学习(DRL)进行研究。 流场表现出高度不稳定的动态,包括复杂的冲击边界层相互作用,冲击振荡以及从尾部边缘产生库塔波。 高保真CFD求解器,采用空间中的五阶光谱不连续的Gaerkin方案和强稳态保护的Runge-Kutta(5,4)方法,以及自适应网格细化能力,用于获得准确的流场。 合成射流驱动用于操纵这些不稳定的流特征,而DRL代理通过与高保真可压缩流模拟的直接交互,自主地发现有效的控制策略。 训练有素的控制器有效地减轻了休克引起的分离,抑制不稳定的振荡,并在转声条件下操纵空气动力学力。 在第一组旨在减少阻力和提升增强的实验中,基于DRL的控制将平均阻力系数降低了13.78%,并将升力提高了131.18%,从而使升降比提高了121.52%,这强调了其管理复杂流量动力学的潜力。 在第二组中,在保持升力的同时,基于DRL的控制实现了25.62%的阻力降低和196.30%的大幅提升,伴随着明显减少的振荡。 在这种情况下,升降比提高了220.26%。
内皮(IT)注射是将药物输送到大脑绕过血脑屏障的有效方法。 为了评估和优化IT药物递送,有必要了解中枢神经系统(CNS)中的脑脊液(CSF)动力学。 与实验测量相结合,计算建模在重建CNS中的CSF流中起着重要作用。 现有模型为CSF动力学提供了有价值的见解;然而,大多数人忽略了组织力学的影响,专注于部分几何形状,或在特定条件下依赖测量的CSF流速,使不同生理状态的全CNS CSF流场预测未得到充分探索。 在这里,我们提出了一个全面的CNS多物理物理计算模型,具有三个关键特征:(1)它完全封闭地在CNS的完全封闭的几何上实现;(2)它包括CSF和孔隙组织之间的相互作用以及兼容的脊柱杜拉母体;(3)它具有预测模拟的潜力,因为它只需要心脏血液脉动的数据进入大脑。 我们在生理条件下的模拟表明,我们的模型准确地重建了CSF脉动,并捕获了沿着脊柱下腔空间(SAS)的CSF流的颅骨衰减和相移。 当应用于IT药物递送的模拟时,我们的模型成功地捕获了注射过程中的颅内压力(ICP)升高和注射后的后续恢复。 拟议的多物理场模型提供了一个统一和可扩展的框架,允许对CSF流量动力学进行参数化研究并优化IT注入,作为整合其他生理机制的坚实基础。
多相流系统及其复杂的动力学、场次不连续性和跨相相互作用,对传统的数值求解器构成了重大的计算挑战。 虽然神经运算符提供了高效的替代方案,但它们往往难以在这些系统中实现高分辨率的数值精度。 这种限制主要源于固有的空间异质性和多阶段流中高质量训练数据的稀缺性。 在这项工作中,我们提出了接口信息感知神经运算符(IANO),这是一个新颖的框架,在提高预测准确性之前,明确地将接口信息作为物理。 IANO架构引入了两个关键组件:1)接口感知的多个功能编码机制共同模拟多个物理场和接口,从而捕获界面上的高频物理特征。 2)几何感知位置编码机制进一步建立了接口信息、物理变量和空间位置之间的关系,使其能够即使在低数据机制中也能实现点式超分辨率预测。 实验结果表明,IANO在多相流模拟的精度上优于基线∼10%,同时在数据匮乏和噪声扰动条件下保持稳健性。
精确且可推广的Reynolds-averaged Navier-Stokes(RANS)湍流模型依赖于有效的闭包。 我们使用等变量神经网络(ENN)引入了基于张量对称的闭包,并提出了在张量组分之间执行代数收缩关系的算法。 建模方法建立在Kassinos和Reynolds引入的结构张量框架之上,以学习快速失真理论设置中的闭包。 实验表明,ENN可以有效地学习涉及高阶张量的关系,满足或超过现有模型在预测快速压力应变相关性等任务中的性能。 我们的结果表明,ENNs为经典张量基础模型提供了一种物理上一致的替代方案,使RANS中未闭门的术语的端到端学习成为可能,并快速探索模型依赖关系。
表现出类似流体行为的复杂物理系统通常被建模为非牛顿流体。 非牛顿模型的一个关键因素是流变学,它将内部应力与应变率联系起来。 我们提出了一个框架,用于从数据中推断流变模型,该模型代表流体与神经网络的有效粘度。 通过编写张量不变和调整网络属性的流变定律,推断模型满足关键的物理和数学属性,例如各向位框-白度和不存在的分水位。 在这个框架内,我们提出了两种学习流体流变学的方法:1)一种符合流变模型对压力数据的标准回归,2)一种PDE约束的优化方法,从速度数据中推断流变模型。 对于后一种方法,我们结合了有限元和机器学习库。 我们证明了我们在陆地和海洋冰流学上的方法的准确性和稳健性,这也取决于外部参数。 对于陆地冰,我们推断出温度依赖的格伦定律,以及海冰,粘性塑料模型中浓度依赖的剪切组件。 对于这两个模型,我们探索大数据错误的影响。 最后,我们推断出一种未知的浓度依赖模型,该模型再现了拉格朗日冰浮模拟数据。 我们的方法发现了一种在训练数据集之外推广的流变学,并根据浓度表现出剪切增厚和变薄的行为。
多维优化一直是工程领域的关键挑战。 然而,传统的基于模拟的优化方法长期以来一直受到重大限制的困扰:它们通常一次只能优化单个问题,并且需要大量计算时间进行混音和数值模拟。 本文介绍了利用尖端科学机器学习(Sci-ML)方法克服传统方法的这些固有缺点的新框架。 所提出的方法为一系列复杂的多维优化问题提供了即时解决方案。 采用微混合器案例研究来演示这种方法。 在深度强化学习(DRL)架构上运行的代理作为优化器,用于探索关键问题参数之间的关系。 这种优化器与由参数化物理信息神经网络(PINN)组成的环境相互作用,该神经网络以比传统数值方法显着更高的速度响应代理的操作。 药剂的目标,以施密特数为条件,是发现最佳的几何和物理参数,最大限度地提高微搅拌机的效率。 在训练了广泛的施密特数字的代理后,我们分析了由此产生的最佳设计。 在整个光谱中,实现的效率一直高于基线,标准化值。 最高效率为13.3,提高了约32%。 最后,在等效条件下进行了与遗传算法的比较分析,以强调拟议方法的优点。
本文介绍了一种针对不稳定飞机气流的新型建模方法,利用了Lorenz吸引器框架。 拟议的模型基于周围流体上的升降机翼施加的力分布。 它区分了力分布的湍流和标称的成分,标称力分布模拟到机翼处的峰值,并线性衰减到自由流中。 这种分离允许湍流组件由受飞行条件影响的运输方程表示,特别是动态压力和攻击角度。 因此,Navier-Stokes方程以及湍流运输方程可以转变为以三个标量普通微分方程为特征的缩小序模型 - 类似于Lorenz吸引器。 由此产生的系统有效地捕获了混乱的行为,促进了复杂动力学的探索,而无需解决完整的Navier-Sokes方程的计算需求。 进行了一项模拟贸易研究,模拟高攻击角度的机翼岩石现象,证明了拟议方法在捕获不稳定的飞机空气动力学的复杂动力学方面的有效性。
这项研究提出了一个新的高保真多模态数据集,其中包含16000多个用于机器学习(ML)应用的汽车引擎盖的几何变体,如工程组件设计和过程优化,以及多物理系统代理。 该数据集集中在旋转滴漆过程中流体夹紧和惯性加载的实际多物理问题罩变形。 每个引擎盖都采用耦合的大涡模拟(LES)-有限元素分析(FEA)进行数值建模,总共使用120万个细胞来确保空间和时间的准确性。 该数据集提供时间解析的物理字段,以及STL网格和结构化自然语言提示,用于文本到几何合成。 现有的数据集要么局限于2D案例,表现出有限的几何变化,要么缺乏多模态注释和数据结构 - 我们用AutoHood3D解决的缺点。 我们验证了我们的数值方法,在五个神经架构中建立了定量基线,并展示了位移和力预测中的系统性替代错误。 这些发现激励了在模型训练过程中执行流体-固体耦合的新方法和多物理场损失功能的设计。 通过提供完全可重复的工作流程,AutoHood3D可以实现物理感知ML开发,加速生成设计迭代,并促进创建新的FSI基准。 附录中的数据集和代码URL。
预测湍流的演变是整个科学和工程的核心。 大多数研究依赖于湍流模型的模拟,其经验简化引入了认识论的不确定性。 特征空间扰动方法(EPM)是一种广泛使用的基于物理的方法来量化模型形式的不确定性,但纯粹基于物理的方法可以过度预测不确定性。 我们提出了一个基于卷积神经网络(CNN)的调节EPM扰动量级,以改善校准,同时保持物理一致性。 在规范情况下,混合ML-EPM框架比基线EPM单独产生更严格,更好的校准不确定性估计。
我们提出了一个双保真Karhunen-Loève扩展(KLE)替代模型,用于不确定输入下的场值兴趣量(QoIs)。 该方法将KLE的光谱效率与多项式混沌扩展(PCE)相结合,以保留输入不确定和输出字段之间的显式映射。 通过将廉价的低保真(LF)模拟与有限数量的高保真(HF)模拟相结合,以纠正系统偏差的有限数量的高保真(HF)模拟,该方法可实现准确且计算上负担得起的替代结构。 为了进一步提高代理的准确性,我们形成了一个积极的学习策略,根据代理的概括错误,通过交叉验证进行估计,并使用高斯过程回归建模,根据代理的概括错误来适应性地选择新的HF评估。 然后通过最大化预期的改进标准获得新的HF样本,针对高替代错误的区域。 生成的BF-KLE-AL框架在三个复杂性增加的例子上得到了证明:一维分析基准,二维对流扩散系统,以及基于Reynolds-average Navier-Stokes(RANS)和增强的延迟分离涡旋模拟(EDDES)的三维湍流圆射流模拟。 在这些情况下,该方法相对于单保真和随机采样方法在预测准确性和样本效率方面实现了一致的改进。
本研究使用无网状方法,平滑颗粒水原素-ics,探讨了非牛顿流体滴落对刚性表面的影响。 在下降冲击过程中粘稠和弹性力之间的复杂相互作用可以通过将Ducroyd-B模型(将粘弹性流体分解为发达的流体)重新复制到开发的计算框架中。 假定一个适合的边界条件,用于流体和固体表面之间的相互作用。 正在进行的研究研究了液滴如何由于其粘性而导致撞击后变形,扩散和退缩。 开发的计算框架工作通过比较现有文献的结果来验证,提供对粘弹性如何影响下降影响行为的理解,并为流体动力学问题的后续研究开辟新的途径。
提出的是两项技术,旨在帮助简化数值建模过程中复杂血管几何的离散化。 第一种方法将多个软件工具集成到一个管道中,可以从分段医疗图像生成自适应各向异网格。 该管道可满足质量、保真度、平滑度和鲁棒性要求,同时为医疗图像到网格转换提供近乎实时的性能。 第二种方法近似于用户定义的尺寸函数,以实时生成高质量和保真度的自适应各向同质网格。 并行自适应各异性网状方法使用两个脑动脉瘤案例,并在普渡大学Anvil超级计算机上的单个多核节点内使用多达96个CPU核心,使用分层负载平衡模型(专为大型cc-NUMA共享内存架构设计),并包含优化的本地重新连接操作,其执行速度比以前研究的原始实现快三倍。 自适应各向同性法被证明可以在不到一分钟内生成大约5000万个元素的网格,而自适应各向异性方法被证明可以在大约5分钟内产生大约相同数量的元素。
我们提出了一个基于贝齐尔的多源热优化框架,这是一个计算高效的3D散热片优化方法。 灵活的Bézier参数化鳍几何和采用的多保真伪3D热建模策略在精度和计算成本之间达到平衡。 在这种方法中,鳍的平滑和紧凑的Bézier表示定义了设计空间,可以用最小的设计变量生成不同的拓扑结构。 在全球范围内优化器,协方差矩阵适应进化策略,可最大限度地减少给定表面平均温度约束的压降,以实现压力损失的改善。 在框架中,伪3D模型耦合了两个热相互作用的2D层:一个代表通过鳍的流体域的热流体层,以及一个代表避免过度平均温度的表面的导电基板。 这两个层都加上从高保真3D模拟中获得的校准传热系数。 对于几个鳍几何形状,通过将伪-3D结果与完整的3D模拟结果进行比较,该框架经过验证,当计算成本降低几个数量级时,在温度分布和压力下降方面产生了良好的一致性。 优化结果表明,与传统直鳍配置相比,它实现了高达50%的压力损失,并且揭示了热性能和液压效率之间的明显权衡。 因此,所提出的方法为快速,几何灵活和优化的散热片设计形成了新的基础,从而能够有效地探索复杂的几何形状。
物理信息神经网络(PINNs)提供了一个灵活的框架来解决非线性偏微分方程(PDE),但传统的实现往往未能在长期集成期间保持关键物理不变性。 本文介绍了非线性 Korteweg-de Vries (KdV) 方程的结构保护 PINN 框架,这是非线性和分散波传播的典型模型。 拟议的方法将质量和哈密顿能量的保存直接嵌入到损失函数中,确保在整个训练和预测过程中实现身体一致和能量稳定的进化。 与基于标准的PINNs <cit.>不同,我们的方法采用正弦激活功能,增强光谱表现力并准确捕获KdV单体的振荡和分散性。 通过具有代表性的案例研究 - 包括单体传播(形状保护翻译),双体相互作用(与相位移的弹性碰撞)和余弦脉冲初始化(非线性分散分解) - 该模型成功地再现了KdV动力学的标志性行为,同时保持了保守的不变性。 消融研究表明,将不变约束的优化与正弦特征映射相结合可以加速收敛,提高长期稳定性,并在没有多阶段预训练的情况下减轻漂移。 这些结果突出表明,计算效率,不变意识的正则化加上正弦表示为KdV方程等哈密尔顿偏微分方程产生健壮,能量一致的PINN。
混沌对流出现在许多现实世界的系统,如微流体装置和化学反应器。 稳定这些流动是非常可取的,但仍然具有挑战性,特别是在传统控制方法经常失败的混乱政权中。 强化学习(RL)已经显示出在层流设置中控制的前景,但它在混乱和动荡的动态下推广和保持稳健的能力没有得到很好的探索,尽管对现实世界的部署至关重要。 在这项工作中,我们改进了基于RL的这种流量控制的实际可行性,重点是Rayleigh-Bénard对流(RBC),这是一种对流热传输的典型模型。 为了提高泛化和样本效率,我们引入了基于不同初始条件和流程使用近端策略优化训练的领域知情RL代理。 我们通过鼓励Bénard细胞合并的术语将领域知识纳入奖励函数中,作为理想的宏观属性的例子。 在层流系统中,域消息传递的RL代理将对流热传输减少了高达33%,在混沌流系统中,它们仍然实现了10%的减少,这明显优于实践中使用的传统控制器。 我们将场状知情的代理与不知情的代理进行比较:我们的结果表明,域知情的奖励设计导致稳定的流量,训练过程中更快的收敛,以及跨流量机制的泛化,而无需再培训。 我们的工作表明,优雅的领域信息先验可以大大增强基于RL的控制混沌流量的稳健性,使现实世界的部署更加接近。
速度空间的离散化在多尺度玻尔兹曼求解器的精度和效率中起着至关重要的作用。 传统的速度空间离散化方法受到不均匀的节点分布和不匹配问题的影响,限制了数值模拟的性能。 为了解决这个问题,提出了一个具有参数化重量函数的高斯四象限方案,结合极坐标变换,以灵活地离散速度空间。 这种方法有效地减轻了传统方法中遇到的节点不匹配问题。 数值结果表明,拟议的方案显著提高了准确性,同时降低了计算成本。 在高度稀薄的条件下,与传统的牛顿-科尔特斯四合院相比,拟议的方法实现了高达50倍的速度,提供了一个有效的工具,具有广泛的适用性,用于稀疏和多尺度气体流的数值模拟。
扩展定律描述了模型性能如何随着数据、参数和计算而增长。 虽然大型数据集通常可以在语言或视觉等领域以相对较低的成本收集,但科学机器学习通常受到通过数值模拟生成训练数据的高成本的限制。 然而,通过调整建模假设和近似值,模拟保真度可以交易计算成本,这是其他领域不存在的一个方面。 我们使用低保真和高保真雷诺兹-Averaged Navier-Stokes(RANS)模拟来研究神经代理中数据保真度和成本之间的这种权衡。 重新制定经典缩放定律,我们将数据集轴分解为计算预算和数据集组成。 我们的实验揭示了计算性能缩放行为,并为给定的数据集配置展示了预算依赖的最佳保真混合。 这些发现为多保真神经替代数据集提供了经验扩展定律的第一项研究,并为科学机器学习中计算效率数据集的生成提供了实际考虑。
在双曲面保护法的情况下,高阶方法,如经典的DG方法,在冲击附近经历不必要的高频振荡现象。 诸如人工耗散、溶液、通量或TVD限制等休克捕捉方法通常用于消除非物理振荡并提供物理量的限制。 对于熵稳定方案,额外的目标是保留基础方案的可证明熵耗散保证,即子细胞限制或熵过滤[1,2,3,4]。 在EQ中给出的非线性稳定通量重建(NSFR)半离散化。 7具有合适的通量重建方案已被证明可以减轻在休克不连续的情况下的虚假振荡,并且在CFL值上大大大于NSFR方案的DG变体,同时保留了熵稳定性的特性[5]。 NSFR方案通过引入表面数值通量惩罚的替代提升操作器来实现这一点,尽管牺牲了准确性。 在技术说明中,我们介绍了对所采用的起重操作员的选择的自适应方法,该方法保持更高的精度,并允许更大的CFL值,同时保留方案的基础可证明属性。 虽然它不能消除诸如上述休克捕获方法等振荡,以及积极保护限制器,但该计划提供了基本上没有振荡的解决方案。
继续滚动加载更多
