ترجمه فارسی مقاله نمایش عصبی ضمنی برای پیش‌بینی میدان جریان CFD دقیق

چکیده

Despite the plethora of deep learning frameworks for flow field prediction, most of them deal with flow fields on regular domains, and although the best ones can cope with irregular domains, they mostly rely on graph networks, so that real industrial applications remain currently elusive. We present a deep learning framework for 3D flow field prediction applied to blades of aircraft engine turbines and compressors. Crucially, we view any 3D field as a function from coordinates that is modeled by a neural network we call the backbone-net. It inherits the property of coordinate-based MLPs, namely the discretization-agnostic representation of flow fields in domains of arbitrary topology at infinite resolution. First, we demonstrate the performance of the backbone-net solo in regressing 3D steady simulations of single blade rows in various flow regimes: it can accurately render important flow characteristics such as boundary layers, wakes and shock waves. Second, we introduce a hyper-net that maps the surface mesh of a blade to the parameters of the backbone-net. By doing so, the flow solution can be directly predicted from the blade geometry, irrespective of its parameterization. Together, backbone-net and hyper-net form a highly-accurate memory-efficient data-driven proxy to CFD solvers with good generalization on unseen geometries.

چکیده به فارسی (ترجمه ماشینی)

با وجود تعداد زیادی از چارچوب های یادگیری عمیق برای پیش بینی میدان جریان ، بیشتر آنها با زمینه های جریان در حوزه های منظم سر و کار دارند ، و اگرچه بهترین آنها می توانند با دامنه های نامنظم کنار بیایند ، اما بیشتر آنها به شبکه های نمودار متکی هستند ، به طوری که برنامه های صنعتی واقعی در حال حاضر گریزان هستند.ما یک چارچوب یادگیری عمیق برای پیش بینی میدان جریان سه بعدی که برای تیغه های توربین های موتور هواپیما و کمپرسورها اعمال می شود ، ارائه می دهیم.از نظر مهم ، ما هر زمینه سه بعدی را به عنوان تابعی از مختصات مشاهده می کنیم که توسط یک شبکه عصبی مدل می شود که ما آن را ستون ستون فقرات می نامیم.این ویژگی MLP های مبتنی بر مختصات را به ارث می برد ، یعنی بازنمایی گسسته سازی-آگنوستیک زمینه های جریان در حوزه های توپولوژی دلخواه در وضوح نامحدود.اول ، ما عملکرد انفرادی ستون فقرات را در بازگرداندن شبیه سازی های پایدار سه بعدی ردیف های تک تیغه در رژیم های مختلف جریان نشان می دهیم: این می تواند به طور دقیق ویژگی های جریان مهم مانند لایه های مرزی ، بیدار و امواج شوک را ارائه دهد.دوم ، ما یک شبکه Hyper را معرفی می کنیم که مشبک سطح تیغه را به پارامترهای ستون ستون فقرات نقشه می کند.با این کار ، محلول جریان را می توان بدون در نظر گرفتن پارامتر شدن آن به طور مستقیم از هندسه تیغه پیش بینی کرد.در کنار هم ، ستون فقرات و بیش از حد NET یک پروکسی با داده های بسیار کارآمد با حافظه محور به حل کننده های CFD با تعمیم خوب در هندسه های غیب تشکیل می دهند.