Praktisi simulasi teknik membahas model surrogate ML praktis untuk CFD dan FEA

Seorang praktisi simulasi teknik mencari pengalaman dunia nyata mengenai penerapan surrogate pembelajaran mesin untuk mengurangi biaya eksekusi solver Computational Fluid Dynamics (CFD) dan Finite Element Analysis (FEA) yang mahal.

Diskusi berfokus pada empat area kunci: membandingkan arsitektur seperti jaringan saraf graf, Operator Neural Fourier, dan MLP untuk prediksi medan; mengevaluasi efisiensi data dan pembelajaran transfer di antara geometri yang serupa; menilai kepraktisan Physics-Informed Neural Networks (PINNs); dan mengatasi tantangan generalisasi di luar distribusi pelatihan.

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