Vorhersage zeitabhängiger Strömungen über komplexen Geometrien mit Operator-Netzen
Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
December 4, 2025
papers.authors: Ali Rabeh, Suresh Murugaiyan, Adarsh Krishnamurthy, Baskar Ganapathysubramanian
cs.AI
papers.abstract
Schnelle, geometrie-verallgemeinernde Surrogatmodelle für instationäre Strömungen bleiben eine Herausforderung. Wir stellen ein zeitabhängiges, geometrie-sensitives Deep Operator Network vor, das Geschwindigkeitsfelder für Strömungen bei moderaten Reynolds-Zahlen um parametrische und nicht-parametrische Formen vorhersagt. Das Modell kodiert die Geometrie über einen Signed-Distance-Field (SDF)-Trunk und die Strömungshistorie über einen CNN-Zweig, trainiert mit 841 hochgenauen Simulationen. Bei zurückgehaltenen Geometrien erreicht es einen relativen L2-Einzelschrittfehler von ~5 % und bis zu 1000-fache Beschleunigungen gegenüber CFD. Wir stellen physik-zentrierte Rollout-Diagnosewerkzeuge bereit, einschließlich Phasenfehler an Messpunkten und Divergenznormen, um die Langzeit-Treue zu quantifizieren. Diese zeigen akkurate kurzzeitige Transienten, aber Fehlerakkumulation in feinskaligen Nachläufen, besonders ausgeprägt bei Geometrien mit scharfen Kanten. Wir analysieren Fehlermodi und skizzieren praktische Gegenmaßnahmen. Code, Datensplits und Skripte sind offen unter https://github.com/baskargroup/TimeDependent-DeepONet verfügbar, um Reproduzierbarkeit und Benchmarking zu unterstützen.
English
Fast, geometry-generalizing surrogates for unsteady flow remain challenging. We present a time-dependent, geometry-aware Deep Operator Network that predicts velocity fields for moderate-Re flows around parametric and non-parametric shapes. The model encodes geometry via a signed distance field (SDF) trunk and flow history via a CNN branch, trained on 841 high-fidelity simulations. On held-out shapes, it attains sim 5% relative L2 single-step error and up to 1000X speedups over CFD. We provide physics-centric rollout diagnostics, including phase error at probes and divergence norms, to quantify long-horizon fidelity. These reveal accurate near-term transients but error accumulation in fine-scale wakes, most pronounced for sharp-cornered geometries. We analyze failure modes and outline practical mitigations. Code, splits, and scripts are openly released at: https://github.com/baskargroup/TimeDependent-DeepONet to support reproducibility and benchmarking.