Experiência prática com surrogate de ML para simulações CFD e FEA?

Um profissional de simulação de engenharia busca experiências reais de implantação de surrogates de machine learning para reduzir o custo de execuções caras de solucionadores de Dinâmica dos Fluidos Computacional (CFD) e Análise por Elementos Finitos (FEA).

• Arquiteturas: Comparando redes neurais gráficas em dados de malha, Operadores Neurais de Fourier, abordagens de point-cloud e surrogates MLP/CNN para prever campos como temperatura e tensão.
• Eficiência de dados: Investigando o número mínimo de amostras de treinamento necessárias para surrogates úteis e a utilidade do transfer learning entre geometrias semelhantes.
• Abordagens fisicamente informadas: Avaliando se as Redes Neurais Informadas pela Física (PINNs) são práticas para geometrias de engenharia reais em comparação com métodos baseados em dados.
• Generalização: Abordando como manter a confiabilidade do modelo em geometrias e condições de contorno fora da distribuição de treinamento.

O autor visa identificar quais abordagens fornecem uma troca utilizável entre precisão e velocidade, e onde os surrogates de ML falham, exigindo o retorno aos solucionadores completos.