CNAI4S
智算平台热点追踪算子框架领域模型科学任务智算套件数据资源智算评测协作社区运行情况

友情链接

科技部工信部北京航空航天大学浙江大学
中山大学北京大学华中科技大学之江实验室
百度飞桨华为昇思中科可控
版权所有:科学智算共性平台 京ICP备18020905号-2
京公网安备11010802046602号
联系邮箱: tianyuc@buaa.edu.cn
科学任务/流体力学/KNO方法求解NS方程

KNO方法求解NS方程

应用Koopman神经算子(KNO)技术解决Navier-Stokes方程,增强对流体运动预测的准确性和效率。

流体力学华为Model Arts

方法简介

纳维-斯托克斯方程(Navier-Stokes equation)是计算流体力学领域的经典方程,是一组描述流体动量守恒的偏微分方程,简称N-S方程。它在二维不可压缩流动中的涡度形式如下:

∂tw(x,t)+u(x,t)⋅∇w(x,t)=νΔw(x,t)+f(x),x∈(0,1)2,t∈(0,T] ∇⋅u(x,t)=0,x∈(0,1)2,t∈[0,T] w(x,0)=w0(x),x∈(0,1)2 其中u表示速度场,w=∇×u表示涡度,w0(x)表示初始条件,ν表示粘度系数,f(x)为外力合力项。

本案例利用Koopman Neural Operator学习某一个时刻对应涡度到下一时刻涡度的映射,实现二维不可压缩N-S方程的求解:

wt↦w(⋅,t+1)(公式详情见URL:https://gitee.com/mindspore/mindscience/tree/master/MindFlow/applications/data_driven/navier_stokes/kno2d)

学科领域

流体力学

贡献方

华为Model Arts

方法

AI/ML

问题类型

预测问题

在线资源

Notebook 运行源代码仓库技术文档

相关论文

  • Koopman operator learning using invertible neural networks
  • A neural network multigrid solver for the Navier-Stokes equations

共性算子依赖

高阶微分操作

逐元素加法逐元素减法

类似科学任务

LDC2D_steady

通过稳态顶盖驱动方腔流模型,验证计算方法的有效性并研究流动现象。

eHDNN方法求解抖振流场

采用增强型混合深度神经网络解析跨声速抖振流场,提高对抖振现象预测的准确性。

PINNs方法求解Darcy流动

采用物理信息神经网络技术模拟Darcy流动,为地下水流和过滤过程提供高效的数值解析工具。