Voorspelling van tijdsafhankelijke stroming over complexe geometrieën met behulp van operatornetwerken
Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
December 4, 2025
Auteurs: Ali Rabeh, Suresh Murugaiyan, Adarsh Krishnamurthy, Baskar Ganapathysubramanian
cs.AI
Samenvatting
Snelle, geometrie-generaliserende surrogaten voor niet-stationaire stroming blijven een uitdaging. Wij presenteren een tijdsafhankelijk, geometrie-bewust Deep Operator Network dat snelheidsvelden voorspelt voor stromingen met een matig Reynoldsgetal rond parametrische en niet-parametrische vormen. Het model codeert geometrie via een signed distance field (SDF) trunk en stromingsgeschiedenis via een CNN-tak, getraind op 841 hoogwaardige simulaties. Op uitgesloten vormen behaalt het een relatieve L2-fout van ongeveer 5% voor enkele tijdstappen en snelheidswinsten tot 1000x ten opzichte van CFD. Wij bieden fysica-gerichte rollout-diagnostieken, waaronder fasefout bij probes en divergentienormen, om de nauwkeurigheid op lange termijn te kwantificeren. Deze tonen nauwkeurige kortetermijntransienten aan, maar foutaccumulatie in fijnschalige wakes, het meest uitgesproken bij geometrieën met scherpe hoeken. Wij analyseren faalwijzen en schetsen praktische oplossingen. Code, datasplitsingen en scripts zijn openbaar vrijgegeven op: https://github.com/baskargroup/TimeDependent-DeepONet om reproduceerbaarheid en benchmarking te ondersteunen.
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.