이 연구는 보지 못한 작동 조건이나 기하학적 구성으로 시뮬레이션을 수행하는 데 적합한 최적 비등방성 간격 함수를 예측하기 위한 프레임워크를 제시합니다. 이 전략은 산업에서 사용 가능한 방대한 양의 고충실도 데이터를 활용하여 목표 비등방성 간격을 계산하고, 보지 못한 시나리오에 대한 간격을 예측하기 위해 인공 신경망을 훈련하는 것입니다. 훈련된 신경망은 조잡한 배경 메쉬의 노드에서 계량 텐서를 출력하며, 이는 이후 보지 못한 사례에 대한 메쉬를 생성하는 데 사용됩니다. 예시들은 네트워크 하이퍼파라미터와 훈련 데이터셋이 예측 정확성에 미치는 영향을 보여주기 위해 사용됩니다. 이 방법의 잠재력은 전체 항공기 구성을 포함하는 CFD 시뮬레이션에서 최대 11개의 기하학적 매개변수가 포함된 예시로 입증됩니다. • 인공 신경망은 보지 못한 시뮬레이션을 위한 비등방성 메쉬 간격을 예측하도록 설계됩니다. • 신경망 구조는 계량 텐서의 수학적 성질을 활용합니다. • 메쉬 변형을 포함하여 비등방성 간격을 배경 메쉬로 전이하기 위한 전략입니다. • 예측의 정확성이 평가되며, 메쉬는 새로운 시뮬레이션을 수행하는 데 적합한 것으로 나타납니다. • 11개의 매개변수를 가진 기하학적으로 매개변수화된 항공기를 포함하는 복잡한 문제에 대한 데모입니다.
Lock et al. (Mon,)은 이 문제를 연구했습니다.