ترجمه فارسی مقاله قابلیت های تعمیم مشبک های مشبک به هندسه های غیب برای پویایی سیال

چکیده

This works investigates the generalization capabilities of MeshGraphNets (MGN) [Pfaff et al. Learning Mesh-Based Simulation with Graph Networks. ICML 2021] to unseen geometries for fluid dynamics, e.g. predicting the flow around a new obstacle that was not part of the training data. For this purpose, we create a new benchmark dataset for data-driven computational fluid dynamics (CFD) which extends DeepMind’s flow around a cylinder dataset by including different shapes and multiple objects. We then use this new dataset to extend the generalization experiments conducted by DeepMind on MGNs by testing how well an MGN can generalize to different shapes. In our numerical tests, we show that MGNs can sometimes generalize well to various shapes by training on a dataset of one obstacle shape and testing on a dataset of another obstacle shape.

چکیده به فارسی (ترجمه ماشینی)

این کار به بررسی قابلیت های عمومی سازی مش (MGN) می پردازد [Pfaff و همکاران.یادگیری شبیه سازی مبتنی بر مش با شبکه های نمودار.ICML 2021] به هندسه های غیب برای دینامیک سیال ، به عنوان مثالپیش بینی جریان اطراف یک مانع جدید که بخشی از داده های آموزش نبود.برای این منظور ، ما یک مجموعه داده معیار جدید برای دینامیک سیالات محاسباتی داده محرک (CFD) ایجاد می کنیم که جریان DeepMind را در اطراف یک مجموعه داده سیلندر با استفاده از اشکال مختلف و اشیاء مختلف گسترش می دهد.ما سپس از این مجموعه داده جدید برای گسترش آزمایش های تعمیم یافته توسط DeepMind در MGN با آزمایش چگونگی خوب MGN می توانند به شکل های مختلف تعمیم دهیم.در تست های عددی ما ، ما نشان می دهیم که MGN ها می توانند با آموزش روی مجموعه داده های یک شکل مانع و آزمایش روی مجموعه ای از شکل مانع دیگر ، به شکل های مختلف به شکل های مختلف تعمیم دهند.