基于可压缩格子Boltzmann方法的高可扩展并行算法研究

Lattice Boltzmann Methods(LBM)是近年来发展的求解流体问题的计算新方法,该方法具有编程相对简单,并行计算效率高的特点,但是现有的D2Q9 LBM模型只能计算速度在0.3马赫下的不可压缩流体,提出的新的LBM模型可以处理速度0.7马赫以下的流体问题,并且具有较好的数值稳定性,对计算程序并行性能深入研究的基础上,提出了基于cache的性能优化,经过程序性能测试证明该方法具有较好并行计算效率,并具有很好的可扩展性.     

基于自编码器和LSTM的模型降阶方法

自编码器是一种有效的数据降维方法,可以学习到数据中的隐含特征,并重构出原始输入数据。本文提出了一种基于多层自编码器和长短期记忆网络的模型降阶方法,以提升降阶模型的精度。文中以二维圆柱绕流为例,对该方法进行了分析与验证。首先用多层自编码器对原始数据进行降阶和特征提取,然后构建基于长短期记忆网络的预测模型,最后将自编码器和预测模型拼接并进行微调,得到降阶模型,并将其与基于主成分分析的降阶模型进行对比。结果表明,多层自编码器能在保证精度的同时提升数据压缩率;提出的降阶方法有效地提升了模型精度,使得预测速度场和原速度场之间的均方根误差降低至3×10^-3左右。