总结deeponet相关论文CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid Dynamics

CFDBench：流体动力学机器学习方法的大规模基准

论文：https://arxiv.org/abs/2310.05963

注意：这里的案例的几何形状都是恒定的，不随时间变化。

deeponet的输入输出：通过在特定时间步 t 使用帧中的所有点（label）作为训练样本来加速前向传播

原deeponet论文的forward函数：

普通DeepONet的实现， 慢点！本文的“forward”速度更快，因为它重复使用了输出 一批中不同查询的分支网。

参数：

- x_branch：（b，branch_dim），分支网络的输入。

- x_trunk: (b)，输入到trunk net，一批(t, x, y)   这里trunk输入的是多个具体时间的坐标。

- label：(b)，查询位置的标签。

 Return:
        - if label is None:
            - preds: (b, k), the prediction for the query location.
        - else:
            - preds: (b, k), the prediction for the query location.
            - loss: (b, k), the loss for the query location.
        """

本文修改的forward:

        """
        A faster forward by using all the points in the frame (`label`) at
        time step `t` as training examples.

        Args:
        - x_branch: (b, branch_dim), input to the branch net.
        - t: (b), input to the trunk net, a batch of t
        - label: (b, w, h), the frame to be predicted.
        - query_idxs: (b, k, 2), the query locations.
        """

摘要：

构建了 CFDBench，这是一个专门用于评估神经算子在计算流体动力学 (CFD) 问题训练后的泛化能力的基准。

它具有四个经典的 CFD 问题：盖子驱动的空腔流、圆管中的层流边界层流、穿过台阶的坝流和周期性卡门涡街。

该数据包含总共302K帧速度场和压力场，涉及739个不同工况参数的工况，通过数值方法生成。

我们通过预测训练期间未见的非周期边界条件、流体属性和流域形状（其中 BC 始终是周期性的，并且物理属性和几何形状也是恒定的。在2.4小节中声明的）来评估流行的神经算子（包括前馈网络、DeepONet、FNO、U-Net 等）在 CFDBnech 上的有效性。

四个问题称为（1）腔流， （2）管流， （3）坝流和（4）圆柱流。对于每个问题，我们使用不同的操作参数并使用数值方法生成流场。

我们将每个问题的数据分为三个子集：BC、PROP 和 GEO（分别是边界条件、流体属性和流域形状）。然后，我们使用七种不同的组合（PROP、BC、GEO、PROP + BC、PROP + GEO、BC + GEO、All）来评估各种基线方法沿不同维度的泛化能力。子集中数据的具体数量如图6所示，每个组合都是两个子集中所有数据的总和。

主要贡献：

1. 我们构建并发布了第一个为 CFD 数据驱动深度学习量身定制的基准，涵盖具有不同 边界条件、流体属性和域几何形状的四个经典 CFD 问题。

2. 有些神经网络不能直接应用于CFDBench，我们演示如何修改它们以有效地应用于CFDBench中的问题。

3.我们在CFDBench上评估了一些流行的神经网络，并表明它比以前的工作中使用的许多虚拟问题更具挑战性，揭示了在这些算子取代传统求解器之前需要解决的一些问题。

案例情况

在这项工作中，我们考虑了四个重要且有代表性的流体问题，可以综合评估不同方法在不同问题上的能力。它们是（1）盖子驱动腔中的流动，（2）进入圆管的流动，（3）破坝中的流动，以及（4）圆柱体周围的流动。这些流动问题涵盖了大部分常见的流动现象。 

溃坝流展示

训练目标：

>>>>>>>>>个人解释

 非自回归建模（deeponet、FFN）中，输入函数 Σ 是一个查询位置 (𝑥,𝑦,𝑡) 模型直接输出该位置的解（速度u）。也就是查询具体时间和空间的u的值。

自回归建模(fno、wno、cnn)与传统数值方法类似，学习流场从当前时间步到下一个时间步的映射。因此，它按照时间顺序预测每个时刻的流场分布。也就是根据上一个时间的速度的得到下一个时间的速度。

模型架构

FFN

deeponet

tips：auto指自回归，也就是deeponet和FFN这俩。 

结论：

通过分析CFDBench上基线的单步和多步预测，我们发现U-Net最适合无源项（重力）的流动问题，FNO最适合周期性涡流现象，自回归最适合DeepONetCNN 最适合解决重力坝流问题。非自回归模型具有网格独立性的优点，在流场变化相对较小的流动问题上表现良好，例如腔流和坝流，但在管流和圆柱流问题上收敛困难。在多步推理的结果中，全连接神经网络明显优于卷积神经网络，非自回归模型始终优于自回归模型。随着外推时间的延长，均方根误差最终变得稳定