Практический опыт использования ML-суррогатов для CFD и FEA симуляций?

Инженер-симулятор ищет реальный опыт развертывания машинных суррогатов для снижения стоимости дорогостоящих запусков решателей вычислительной гидродинамики (CFD) и метода конечных элементов (FEA).

• Архитектуры: Сравнение графовых нейронных сетей на сеточных данных, операторов Фурье (Fourier Neural Operators), подходов на основе точечных облаков и суррогатов MLP/CNN для предсказания полей, таких как температура и напряжение.
• Эффективность данных: Исследование минимального количества обучающих выборок, необходимых для полезных суррогатов, и полезности трансферного обучения на схожих геометриях.
• Физико-информированные подходы: Оценка практической применимости физико-информированных нейронных сетей (PINNs) для реальных инженерных геометрий по сравнению с методами, основанными на данных.
• Обобщение: Решение вопроса о том, как поддерживать надежность модели на геометриях и граничных условиях, выходящих за пределы обучающего распределения.

Автор стремится определить, какие подходы обеспечивают приемлемый компромисс между точностью и скоростью, а где суррогаты ML терпят неудачу, что требует возврата к полным решателям.