摘要：流体作为自然界中最基本的物质之一,对其模拟往往需要在精度和效率之间进行取舍。为此,提出了一种端到端体系化的新型卷积网络流体模拟器——PolarNet。首先,将粒子数据转换为三维极坐标表示,设计了PolarConv空间卷积结构。其次,结合物理流体模拟器,构建了四层网络结构,设计了网络流体模拟器PolarNet,实现流体的端到端预测。此外,精心设计了基于物理的约束,以强化流体的不可压缩性。实验结果表明,与传统基于建模模拟器相比,PolarNet在提高流体边界的精确性和保持不可压缩性方面有显著提升,同时保证了效率。相较于其他基于学习的流体模拟器,得益于极坐标的空间紧凑表示,PolarNet在具有更少训练参数的情况下,保持了最高的预测稳定性。PolarNet为多模态信息处理提供了新的方法和视角。

摘要：流程工业中涉及多个复杂设备的耦合,独立设备模型无法有效指导实际生产;纯数据驱动模型常因面临分布外泛化问题,难以体现良好的数据效率和泛化能力。对此,针对浮选这一典型的流程工业系统,提出了一种物理先验指导的神经微分方程模型,该模型考虑设备间耦合关系和全局特征,利用物理先验对神经微分方程进行重构,以建模可感知环境的单智能体。所提模型由序列编码器、插值模块、神经微分方程预测模块和状态解码器构成,并基于物理先验设计了神经微分方程的梯度网络计算图结构。将多智能体模型按照实际工序拓扑建立不同体系,可以实现浮选全流程的长时液位预测,并作为在线仿真环境协助实现多智能体协同控制。使用从浮选厂采集的工业数据集对该模型进行了验证,结果表明,与离散时间模型和未借助物理信息重构梯度网络的基线模型相比,所提模型具有更优的数据效率和泛化能力。