A deep reinforcement learning framework for dynamic optimization of numerical schemes for compressible flow simulations

计算机科学 强化学习 消散 流量(数学) 截断(统计) 压缩性 比例(比率) 应用数学 数学优化 统计物理学 算法 机械 人工智能 数学 物理 机器学习 量子力学 热力学
作者
Yiqi Feng,Felix S. Schranner,Josef Winter,Nikolaus A. Adams
出处
期刊:Journal of Computational Physics [Elsevier]
卷期号:493: 112436-112436 被引量:8
标识
DOI:10.1016/j.jcp.2023.112436
摘要

Marginal or under-resolved simulations of compressible flow configurations that often occur in practical applications classically are enabled by administering sufficient numerical dissipation to keep the simulation stable. Such measures, however, often are physically inconsistent due to non-selectively altering of dynamics across scales. Sustaining physically consistent large scale dynamics requires the numerical solution to effectively model non-resolved small scale dynamics. In this work, we propose a general deep-reinforcement-learning framework for devising an agent to interact with high-resolution scheme in order to balance dissipation and dispersion such that physically consistent modeling of non-resolved scales is achieved. A densely distributed reward function without involving labeled data is defined. The agent is trained on low-resolution uniform grids that capture the dominant flow structures. We demonstrate that it can be applied directly to high-resolution simulations without the need for retraining or fine-tuning, thereby, demonstrating significantly improved modeling performance compared to empirically designed high-resolution schemes. The proposed methodology opens a new path for self-adaptive numerical solutions whose truncation errors act as physically consistent model for unresolved scales of widely differing flow configurations.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
gao456789发布了新的文献求助10
1秒前
hhhhhhh发布了新的文献求助10
2秒前
2秒前
虚拟的眼神完成签到,获得积分10
2秒前
3秒前
liuyafei完成签到,获得积分10
3秒前
白泽阳发布了新的文献求助10
4秒前
1117应助云上人采纳,获得10
4秒前
JamesPei应助草莓莓莓采纳,获得10
5秒前
5秒前
kkkkk发布了新的文献求助10
5秒前
8秒前
liuyafei发布了新的文献求助10
9秒前
Owen应助开罐气采纳,获得10
9秒前
早发论文应助儒雅不悔采纳,获得10
9秒前
zqh发布了新的文献求助30
9秒前
11秒前
wfp完成签到,获得积分10
11秒前
12秒前
bkagyin应助宋十一采纳,获得10
12秒前
一只燕子发布了新的文献求助20
13秒前
科研通AI2S应助三石采纳,获得10
13秒前
13秒前
拼搏的以彤完成签到,获得积分10
14秒前
15秒前
17秒前
研友_5Y9775发布了新的文献求助10
18秒前
有点咸完成签到,获得积分10
18秒前
孔曼卉发布了新的文献求助10
18秒前
19秒前
精炼猫薄荷完成签到,获得积分10
20秒前
20秒前
20秒前
单于夏彤完成签到,获得积分10
21秒前
英俊的铭应助surain采纳,获得10
23秒前
23秒前
24秒前
dwls完成签到 ,获得积分10
24秒前
chana完成签到 ,获得积分10
25秒前
高分求助中
Earth System Geophysics 1000
Studies on the inheritance of some characters in rice Oryza sativa L 600
Medicina di laboratorio. Logica e patologia clinica 600
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
mTOR signalling in RPGR-associated Retinitis Pigmentosa 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3206512
求助须知:如何正确求助?哪些是违规求助? 2856028
关于积分的说明 8101930
捐赠科研通 2521035
什么是DOI,文献DOI怎么找? 1354032
科研通“疑难数据库(出版商)”最低求助积分说明 641916
邀请新用户注册赠送积分活动 613132