Практики инженерного моделирования обсуждают практические ML-суррогатные модели для CFD и FEA

Специалист в области инженерного моделирования ищет реальный опыт развертывания суррогатных моделей машинного обучения для снижения стоимости дорогостоящих вычислений Computational Fluid Dynamics (CFD) и Finite Element Analysis (FEA).

Обсуждение сосредоточено на четырех ключевых аспектах: сравнение архитектур, таких как графовые нейронные сети, Fourier Neural Operators и MLPs, для предсказания полей; оценка эффективности использования данных и трансферного обучения на схожих геометриях; оценка практической применимости Physics-Informed Neural Networks (PINNs); а также решение проблем обобщения за пределами обучающего распределения.

Цель состоит в том, чтобы определить, какие подходы обеспечивают приемлемый компромисс между точностью и скоростью, а также где суррогатные модели машинного обучения терпят неудачу, что требует возврата к полным решателям.