Prédiction des écoulements dépendants du temps sur des géométries complexes à l'aide de réseaux d'opérateurs
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
La création de substituts rapides et généralisables à la géométrie pour les écoulements instationnaires reste un défi. Nous présentons un Deep Operator Network dépendant du temps et sensible à la géométrie, qui prédit les champs de vitesse pour des écoulements à nombre de Reynolds modéré autour de formes paramétriques et non paramétriques. Le modèle encode la géométrie via un tronc de champ de distance signée (SDF) et l'historique de l'écoulement via une branche CNN, entraîné sur 841 simulations haute fidélité. Pour des formes exclues de l'apprentissage, il atteint une erreur relative L2 mono-étape d'environ 5 % et des accélérations allant jusqu'à 1000 fois par rapport à la CFD. Nous fournissons des diagnostics de déploiement centrés sur la physique, incluant l'erreur de phase aux sondes et les normes de divergence, pour quantifier la fidélité à long terme. Ceux-ci révèlent des transitoires à court terme précis mais une accumulation d'erreur dans les sillages à fine échelle, plus prononcée pour les géométries à angles vifs. Nous analysons les modes de défaillance et esquissons des mesures d'atténuation pratiques. Le code, les jeux de données séparés et les scripts sont librement disponibles à l'adresse : https://github.com/baskargroup/TimeDependent-DeepONet pour favoriser la reproductibilité et l'évaluation comparative.
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.