基于深度神经网络的格子玻尔兹曼算法
Acta Scientiarum Naturalium Universitatis Sunyatseni（2021）
摘要
格子玻尔兹曼算法(LBM,Lattice Boltzmann method)相较于传统计算流体力学方法具有程序结构简单,对复杂边界和非线性问题适应性强以及便于并行计算等诸多优点.然而,其作为一种显式算法,在计算过程中的迭代次数较多,进而消耗大量计算资源.利用深度学习在预测与回归方面的强大能力,基于LBM设计了一个由卷积层与卷积长短期记忆层组成的人工神经网络预测模型并将其命名为C-LBM(compressed LBM).该模型能等效替代多个普通LBM迭代.对于方腔环流问题,模型完成训练后,对测试集均方差在5×10-6以下,对泛化算例在10-5以下,精度得到了保障.相较于串行LBM程序,C-LBM模型计算效率提升约15倍.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要