52 подписчика
При углублённом изучении геотехнических механических свойств всё больше внимания уделяется изучению его механических свойств, в результате чего появляется множество структурных моделей конечных элементов, таких как модель решетки, модель пучка частицы, модель случайного агрегата и модель случайных механических свойств. Большинство из вышеперечисленных моделей основаны на методе случайной выборки и статистических знаниях. Хотя распределение и форма агрегата модели все больше приближается к реальной структуре породы и почвы, но неизбежно существуют различия с реальной структурой породы и почвы...
4 года назад
В условиях конкурентных экономических условий и повышенного внимания к охране окружающей среды компании, специализирующиеся в области покраски крупных промышленных объектов, как никогда внимательно следят...
4 года назад
🌊💻 Моделирование жидкости на основе частиц – новый этап в решении уравнений Навье-Стокса! Сложная физика и свободные поверхности теперь подконтрольны благодаря комбинации методов машинного обучения и численного моделирования. 🚀

🔍 Недавно я наткнулась на исследование с открытым исходным кодом! В работе исследуют возможности симуляторов лагранжевой жидкости, совместимых со средами глубокого обучения, и представляем JAX-SPH – инновационную структуру гидродинамики сглаженных частиц (SPH), реализованную в JAX.
Гидродинамика сглаженных частиц (SPH) — это вычислительный метод для моделирования динамики жидкости и газов1. Он используется во многих областях исследований, включая астрофизику, баллистику, вулканологию и океанографию1. Метод SPH работает путём деления жидкости на дискретные элементы, называемые частицами1.

JAX-SPH основан на коде для генерации набора данных из проекта LagrangeBench и расширяет этот код несколькими способами, включая интеграцию дополнительных ключевых алгоритмов SPH, реструктуризацию кода в сторону библиотеки Python, проверку градиентов с помощью решателя и демонстрацию полезности градиентов для решения обратных задач.
📈 JAX-SPH на основе кода проекта LagrangeBench (Тошев и др., 2023) расширяет возможности моделирования, добавляя:
(a) интеграцию дополнительных ключевых алгоритмов SPH,
(b) реструктуризацию кода в сторону библиотеки Python,
(c) проверку градиентов с помощью решателя,
(d) демонстрацию полезности градиентов для решения обратных задач и приложения "Решатель в цикле".

🔗 Код доступен по ссылке: https://github.com/tumaer/jax-sph

💧🔬 #МоделированиеЖидкости #ЧисленноеМоделирование #МашинноеОбучение #JAXSPH #НаучныеРешения
4 месяца назад