流体仿真

流体仿真

镜像

FNO2D-NS

纳维-斯托克斯方程（Navier-Stokes equation）是计算流体力学领域的经典方程，是一组描述流体动量守恒的偏微分方程，简称N-S方程。该资产利用Fourier Neural Operator（FNO）学习某一个时刻对应涡度到下一时刻涡度的映射，实现二维不可压缩N-S方程的求解。

FNO3D-NS

纳维-斯托克斯方程（Navier-Stokes equation）是计算流体力学领域的经典方程，是一组描述流体动量守恒的偏微分方程，简称N-S方程。该资产利用三维傅里叶神经算子对纳维-斯托克斯方程（Navier-Stokes equation）进行求解。

PINNs-Burgers1D

基于物理驱动的PINNs (Physics Informed Neural Networks)方法，求解一维有粘性情况下的Burgers方程。

PINNs-CylinderFlow

利用 PINNs 方法学习位置和时间到相应流场物理量的映射，实现纳维-斯托克斯（Navier-Stokes, NS）方程的求解，从而解决圆柱绕流的尾流流场问题。

PINNs-Periodic-Hill

雷诺平均Navier-Stokes方程求解周期山流动问题是流体力学和气象学领域中的一个经典数值模拟案例，该资产采用雷诺平均模型模拟湍流在二维周期山地地形上的流动。

PINNs-Kovasznay

基于物理信息神经网络（PINNs）方法来求解Kovasznay流动问题。

PINNs-Taylor-Green

在流体力学中，Taylor-Green涡流动是一种不稳定的衰减的涡流，在二维周期性边界条件时存在精确解，该精确解与Navier-Stokes方程的解一致。该资产使用PINNs对二维的taylor green涡流进行仿真。

KNO2D-NS

纳维-斯托克斯方程（Navier-Stokes equation）是计算流体力学领域的经典方程，是一组描述流体动量守恒的偏微分方程，简称N-S方程。该资产利用Koopman Neural Operator学习某一个时刻对应涡度到下一时刻涡度的映射，实现二维不可压缩N-S方程的求解。

KNO1D-Burgers

伯格斯方程（Burgers’ equation）是一个模拟冲击波的传播和反射的非线性偏微分方程，被广泛应用于流体力学，非线性声学，气体动力学等领域。一维伯格斯方程（1-d Burgers’ equation）的应用包括一维粘性流体流动建模。

FNO1D-Burgers

计算流体力学是21世纪流体力学领域的重要技术之一，其通过使用数值方法在计算机中对流体力学的控制方程进行求解，从而实现流动的分析、预测和控制。传统的有限元法（finite element method，FEM）和有限差分法（finite difference method，FDM）常用于复杂的仿真流程（物理建模、网格划分、数值离散、迭代求解等）和较高的计算成本，往往效率低下。因此，借助AI提升流体仿真效率是十分必要的。