Expérience pratique avec les surrogats ML pour les simulations CFD et FEA ?

Un professionnel de la simulation ingénierie cherche des expériences de déploiement en conditions réelles d'approximateurs (surrogates) basés sur le machine learning pour réduire le coût des exécutions coûteuses de solveurs de Dynamique des Fluides Numérique (CFD) et d'Analyse par Éléments Finis (FEA).

• Architectures : Comparaison des graph neural networks sur des données de maillage, des Fourier Neural Operators, des approches par nuages de points, et des surrogats MLP/CNN pour prédire des champs comme la température et les contraintes.
• Efficacité des données : Investigation du nombre minimum d'échantillons d'entraînement requis pour des surrogates utiles et l'utilité du transfer learning entre géométries similaires.
• Approches physics-informed : Évaluation de la praticité des Physics-Informed Neural Networks (PINNs) pour des géométries d'ingénierie réelles par rapport aux méthodes purement data-driven.
• Généralisation : Comment maintenir la fiabilité du modèle sur des géométries et conditions aux limites hors de la distribution d'entraînement.

L'auteur vise à identifier quelles approches offrent un compromis précision-vitesse utilisable et où les surrogats ML échouent, nécessitant un retour aux solveurs complets.