Pengalaman praktis dengan surrogate ML untuk simulasi CFD dan FEA?

Seorang profesional simulasi teknik mencari pengalaman penerapan dunia nyata dari surrogate machine learning untuk mengurangi biaya eksekusi solver Computational Fluid Dynamics (CFD) dan Finite Element Analysis (FEA) yang mahal.

• Arsitektur: Membandingkan graph neural networks pada data mesh, Fourier Neural Operators, pendekatan point-cloud, dan surrogate MLP/CNN untuk memprediksi bidang seperti suhu dan tegangan.
• Efisiensi data: Menyelidiki jumlah minimum sampel pelatihan yang diperlukan untuk surrogate yang berguna serta kegunaan transfer learning antar geometri serupa.
• Pendekatan physics-informed: Mengevaluasi apakah Physics-Informed Neural Networks (PINNs) praktis untuk geometri teknik nyata dibandingkan metode data-driven.
• Generalisasi: Menangani bagaimana mempertahankan kepercayaan model pada geometri dan kondisi batas di luar distribusi pelatihan.

Penulis bertujuan mengidentifikasi pendekatan mana yang memberikan tradeoff akurasi-terhadap-kecepatan yang dapat digunakan dan di mana surrogate ML gagal, sehingga memerlukan kembali ke solver penuh.