Predicción de Flujo Dependiente del Tiempo sobre Geometrías Complejas Utilizando Redes de Operadores

Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks

December 4, 2025

Autores: Ali Rabeh, Suresh Murugaiyan, Adarsh Krishnamurthy, Baskar Ganapathysubramanian

cs.AI

Resumen

Los sustitutos rápidos y generalizadores de geometría para flujo no estacionario siguen siendo un desafío. Presentamos una Red de Operadores Profunda (DeepONet) dependiente del tiempo y consciente de la geometría, que predice campos de velocidad para flujos con números de Reynolds moderados alrededor de formas paramétricas y no paramétricas. El modelo codifica la geometría mediante una rama principal de campo de distancia signada (SDF) y el historial de flujo mediante una rama de red neuronal convolucional (CNN), entrenado con 841 simulaciones de alta fidelidad. En formas no vistas durante el entrenamiento, alcanza un error relativo L2 de un solo paso de ∼5% y aceleraciones de hasta 1000X frente a la dinámica de fluidos computacional (CFC). Proporcionamos diagnósticos de evolución temporal centrados en la física, incluyendo error de fase en sondas y normas de divergencia, para cuantificar la fidelidad a largo plazo. Estos revelan transitorios precisos a corto plazo, pero una acumulación de error en las estelas de pequeña escala, más pronunciada en geometrías con esquinas agudas. Analizamos los modos de fallo y esbozamos mitigaciones prácticas. El código, las divisiones de datos y los scripts se publican abiertamente en: https://github.com/baskargroup/TimeDependent-DeepONet para apoyar la reproducibilidad y la evaluación comparativa.

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.