当前位置: 首 页 - 科学研究 - 学术报告 - 正文

bat365在线平台、所2023年系列学术活动(第019场):田浩 副教授 中国海洋大学

发表于: 2023-04-11   点击: 

报告题目: TSI-SD:针对二维湍流输运方程模拟的时序相关空间离散化神经网络

报 告 人:  田浩  副教授  中国海洋大学

报告时间:2023年04月14日 10:00-11:00

报告地点:腾讯会议ID:373-901-227会议密码:202304

会议链接:https://meeting.tencent.com/dm/TQIh9Hex50ez

校内联系人:黎文磊 lwlei@jlu.edu.cn


报告摘要:湍流输运数值模拟是一个巨大的挑战,因为它包含极其复杂的变化,具有很高的雷诺数,通常需要非常高分辨率的网格才能捕捉到物理过程中非常细微的变化,从而实现精确模拟,而这将导致大量的计算耗费。该问题一直是该领域长期存在的瓶颈问题。近年来基于深度学习的解决方案在空间离散化过程中以利用具有自适应调整系数的大尺度网格离散方法,代替了采用固定系数的小网格的传统方法,使计算成本大大降低并保持了准确性。 这一突破被认为是一个重要的湍流数值模拟的改进。

然而,这些先前提出的基于深度学习的方法总是只考虑网格之间的空间相关性来预测系数,这提供了相对有限的上下文,不能充分描述时间维度上的模式,这意味着时空相关性的系数没有很好地学习。为了解决这个问题,我们提出了时间序列相关的空间离散化神经网络网络(TSI-SD)从空间和时间视图中一起提取网格相关性。这个新颖的深度神经网络是通过将时间信息添加到2D空间网格中,从经典的 CONV-LSTM 主干转化而来,通过融合后神经网络将它们融合。然后我们将 TSI-SD 与有限体积格式相结合,作为二维湍流中被动标量平流的平流求解器。 与以往仅考虑空间关系的机器学习方法相比,我们的方法可以获得更高的模拟精度。并且我们发现在添加时间数据(输入特征之一)之后,浓度场是多余的并且在空间离散化过程中不应再采用,这会导致参数尺度急剧下降,从而计算开销也变得更低。


报告人简介:田浩,中国海洋大学数学科学学院, 副教授,2013年山东大学计算数学专业博士毕业,研究领域主要集中在近场动力学模型高效算法,非局部扩散模型的建模与算法设计等,曾主持国家自然科学基金,山东省自然科学基金等,在CMAME, JCP,Frontier等杂志发表多篇学术论文。