We introduce a collection of benchmark problems in 2D and 3D (geometry description and boundary conditions), including simple cases with known analytic solution, classical experimental setups, and complex geometries with fabricated solutions for evaluation of numerical schemes for incompressible Navier-Stokes equations in laminar flow regime. We compare the performance of a representative selection of most broadly used algorithms for Navier-Stokes equations on this set of problems. Where applicable, we compare the most common spatial discretization choices (unstructured triangle/tetrahedral meshes and structured or semi-structured quadrilateral/hexahedral meshes). The study shows that while the type of spatial discretization used has a minor impact on the accuracy of the solutions, the choice of time integration method, spatial discretization order, and the choice of solving the coupled equations or reducing them to simpler subproblems have very different properties. Methods that are directly solving the original equations tend to be more accurate than splitting approaches for the same number of degrees of freedom, but numerical or computational difficulty arise when they are scaled to larger problem sizes. Low-order splitting methods are less accurate, but scale more easily to large problems, while higher-order splitting methods are accurate but require dense time discretizations to be stable. We release the description of the experiments and an implementation of our benchmark, which we believe will enable statistically significant comparisons with the state of the art as new approaches for solving the incompressible Navier-Stokes equations are introduced.


翻译:我们在 2D 和 3D ( 地理描述和边界条件) 中引入一系列基准问题, 包括已知解析解决方案的简单案例、 古典实验设置, 以及复杂的地貌特征, 其中包括在 laminar 流系统中评估不压缩的 Navier- Stokes 等式的数字方案。 我们比较这组问题中最广泛使用的纳维尔- Stokes 等式的有代表性的算法的性能。 在适用的情况下, 我们比较最常见的空间离散选择( 结构化三角/ Tetrahedral meshes 和结构化或半结构化的四边际/ hexahedal meshes ) 。 研究表明, 所使用的空间离散化类型对解决方案的准确性、 时间整合方法的选择、 空间离散顺序的顺序、 以及 调合的方程或将其降低为更简单的子题。 我们直接解决原始等式的方法往往比分解自由度的方法更准确, 但是数字或半结构化的四方/ 等式的等式的等式的等式的等式的等式的等式的等式的等式的公式。 研究表明, 所使用的空间离解式的离解式的分解类型比较比较比较比较比较方法在使用较难的计算方法, 所使用的空间分解式的计算方法在使用较难的精确的精确性或计算方法的精确的顺序的精确性比较的顺序的顺序的精确的精确的精确性, 当我们的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的精确性在较小,, 的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的比较是较小,, 的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的比较是较小, 的比较是较小的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的顺序的比较的比较的比较的比较的比较的比较的比较的比较的顺序的比较的比较的比较的比较的比较的比较的比较的比较的比较的比较的比较的比较小的比较的比较的比较的比较的比较的比较的比较的比较的比较的比较的

0
下载
关闭预览

相关内容

【KDD2021】图神经网络,NUS- Xavier Bresson教授
专知会员服务
62+阅读 · 2021年8月20日
专知会员服务
50+阅读 · 2020年12月14日
【ICML2020】图神经网络基准,53页ppt,NUS-Xavier Bresson
专知会员服务
57+阅读 · 2020年7月18日
【大规模数据系统,552页ppt】Large-scale Data Systems
专知会员服务
60+阅读 · 2019年12月21日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员