Development of a machine learning model based on results obtained from CFD solvers for the ease of the iterative processes in the early stages of design

Abstract

In the following paper, three different approaches to study steady state fluid flow using machine learning are presented. Through the use of deep convolutional neural networks, the velocity and pressure fields were obtained by using computational fluid dynamics (CFD) simulations as training data. The first approach, regarding the use of a convolutional neural network, proved to be successful by approximating the velocity and pressure fields with a normalized root mean squared error of (4.96¿1.83)% for the velocity field in the x direction, (17.95¿2.04)% for the velocity field in the y direction and (15.77¿1.66)% for the pressure field. As well as this, the use of this convolutional neural network proved to be (23410¿5405) times faster than common CFD solvers. The second approach, concerning the inclusion of a custom physics informed loss function in the latter convolutional neural network...

En el siguiente documento se presentan tres enfoques diferentes para estudiar el flujo de fluidos en estado estable utilizando machine learning. Mediante el uso de redes neuronales convolucionales profundas, se obtuvieron los campos de velocidad y presión utilizando simulaciones de dinámica de fluidos computacional (CFD) como datos de entrenamiento. El primer enfoque, referente al uso de una red neural convolucional, demostró ser exitoso al aproximar los campos de velocidad y presión con un error cuadrático medio normalizado de (4.96¿1.83)% para el campo de velocidad en la dirección x, (17.95¿2.04)% para el campo de velocidad en la dirección y y (15.77¿1.66)% para el campo de presión. Además, el uso de esta red neural convolucional demostró ser (23410¿5405) veces más rápido que las soluciones comunes de CFD. El segundo enfoque, considerando la inclusión de una función de pérdida informada por la física personalizada en esta última red neural convolucional,..