典型文献
基于U−Net的格子玻尔兹曼方法
文献摘要：
格子玻尔兹曼方法(LBM)是一类广泛应用的介观尺度下的流体数值模拟方法.其缺陷在于,它对于计算资源的要求较高,一般情况下难以实现即时模拟.文章构造了一种新的基于U?Net的卷积神经网络(CNN,convolutional neural network)以对LBM进行加速,以一次卷积神经网络模型的运算代替原本需要进行多次的时间步迭代.对一系列层流绕柱流动的数值模拟进行试验,发现:该方法能够在保证计算精度较高的同时,相较于串行的LBM程序有约250倍加速,验证了该方法的有效性.
文献关键词：
数据驱动模型;LBM;卷积神经网络;神经网络结构;代理模型
中图分类号：
作者姓名：
聂滋森;陈辛阳;杨耿超;蒋子超;姚清河
作者机构：
中山大学航空航天学院,广东广州510006
文献出处：
引用格式：
[1]聂滋森;陈辛阳;杨耿超;蒋子超;姚清河-.基于U−Net的格子玻尔兹曼方法)[J].中山大学学报（自然科学版）（中英文）,2022(03):101-109
A类：
B类：
Net,格子玻尔兹曼方法,LBM,介观尺度,数值模拟方法,计算资源,难以实现,convolutional,neural,network,卷积神经网络模型,时间步,层流,计算精度,串行,倍加,数据驱动模型,神经网络结构,代理模型
AB值：
0.314544
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
