Operador de colisión mejorado por aprendizaje automático para el método de Boltzmann de red basado en redes...

Área de la Ciencia:

• Dinámica de fluidos computacional
• Aprendizaje automático
• Simulaciones numéricas

Sus antecedentes:

• El método de Boltzmann de red (LBM) es un solucionador numérico para la dinámica de fluidos.
• La integración del aprendizaje automático (ML) en LBM puede mejorar la precisión y la estabilidad.
• El operador de colisión es un componente clave para la integración de ML en LBM.

Objetivo del estudio:

• Desarrollar un novedoso operador de colisión neuronal (NCO) para LBM.
• Mejorar la robustez y precisión de las simulaciones LBM utilizando ML.
• Optimizar las tasas de relajación de momentos no físicos para mejorar la estabilidad.

Principales métodos:

• Se construyó una red neuronal invariante que actúa sobre un operador de colisión equivariante.
• Se entrenó el NCO utilizando simulaciones de turbulencia isotrópica forzada con forzamiento espectral.
• Se minimizó la discrepancia del espectro de energía y se adaptó la disipación numérica a través de una función de pérdida personalizada.

Principales resultados:

• El NCO demostró una precisión y estabilidad mejoradas en comparación con los operadores BGK y KBC.
• Predicción precisa de la dinámica en flujos de vórtice Taylor-Green (TGV) tridimensionales altamente subresueltos.
• Rendimiento robusto en simulaciones de flujo de cilindro tridimensional turbulento.

Conclusiones:

• El NCO ofrece un enfoque prometedor para mejorar las simulaciones LBM.
• La integración de ML en los operadores de colisión LBM conduce a resultados más precisos y estables.
• Los procedimientos de entrenamiento alternativos permiten simulaciones de alto número de Reynolds con una huella de memoria reducida.