Previsione di Flussi Dipendenti dal Tempo su Geometrie Complesse mediante Reti di Operatori
Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
December 4, 2025
Autori: Ali Rabeh, Suresh Murugaiyan, Adarsh Krishnamurthy, Baskar Ganapathysubramanian
cs.AI
Abstract
La creazione di surrogati rapidi e in grado di generalizzare la geometria per flussi non stazionari rimane una sfida. Presentiamo una Deep Operator Network dipendente dal tempo e consapevole della geometria, che prevede i campi di velocità per flussi a numero di Reynolds moderato attorno a forme parametriche e non parametriche. Il modello codifica la geometria attraverso un "trunk" a campo delle distanze con segno (SDF) e la storia del flusso attraverso un ramo di CNN, addestrato su 841 simulazioni ad alta fedeltà. Su forme non viste durante l'addestramento, raggiunge un errore L2 relativo a singolo passo di circa il 5% e accelerazioni fino a 1000 volte rispetto alla CFD. Forniamo diagnosi di rollout centrate sulla fisica, inclusi l'errore di fase in sonde e le norme di divergenza, per quantificare la fedeltà a lungo termine. Queste rivelano transitori accurati nel breve termine ma un accumulo di errore nelle scie a scala fine, più pronunciato per geometrie con spigoli vivi. Analizziamo le modalità di fallimento e delineiamo strategie di mitigazione pratiche. Codice, split dei dati e script sono rilasciati open source all'indirizzo: https://github.com/baskargroup/TimeDependent-DeepONet per supportare la riproducibilità e il benchmarking.
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.