虽然神经网络可以帮助提高流体流动模拟的准确性，但新的研究表明，除非采取正确的方法，否则它们的准确性是有限的。通过将流体属性嵌入神经网络，仿真精度可以提高几个数量级。

格子玻尔兹曼法(LBM)是一种用于描述流体动力学的模拟技术。最近，人们对使用神经网络进行流体计算建模越来越感兴趣。埃因霍温理工大学和洛斯阿拉莫斯国家实验室的研究人员合作的结果发表在欧洲物理杂志E上，展示了如何将神经网络嵌入到LBM框架中以模拟流体粒子之间的碰撞。

该团队发现，必须将正确的物理属性嵌入神经网络架构中以保持准确性。这些发现可以加深研究人员对如何模拟流体流动的理解。

LBM的工作原理是将流动分成微小细胞的网格：跟踪细胞之间粒子的运动，然后计算每个细胞中粒子的分布如何随时间变化。LBM的关键要求之一是模拟粒子之间的碰撞。现在有几种不同的模型能够做到这一点，通过在LBM中适当地重现这些碰撞，研究人员现在可以使用它们来模拟各种流动系统。

在他们的研究中，埃因霍温和洛斯阿拉莫斯团队通过使用LBM对各种复杂流动中的时变行为进行建模来评估这种方法的可靠性。他们发现，“香草”神经网络架构没有强制执行物理属性，在计算粒子碰撞时的准确性非常有限。

然而，通过嵌入真实流动的独特物理特性——包括守恒定律和空间对称性——它们再现时变动力学的准确性可以提高约4个数量级。作者希望他们的发现可能对流体动力学产生重要影响：允许研究人员模拟包括气体混合物，湍流以及更奇特的量子流体的系统。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：LBM流体研究