面向多元素场景的高效数据驱动流体仿真

With the development of computer software and hardware technology, the virtual reality and industrial fields have increasingly emphasized the timeliness and accuracy of visual simulation, which puts forward higher requirements for traditional fluid simulation based on physical models. This project intends to combine machine learning methods with physics-based fluid simulation to do research on the efficient data driven fluid simulation for multi-element scenarios. Focusing on solving the problems of fluid feature structure modeling under physical constraints, data-driven model construction based on fluid dynamics, and fluid simulation model migration for multi-element scenes, trying to propose an efficient and realistic fluid simulation method. .The research contents of this project mainly include: First, we model the state of each particle, design and build the eigenvector which satisfies Navier-Stocks equation and fully represents local fluid state. Then a dimension reduction method which can handle high-dimensional feature structure would also be proposed. Secondly, a regression forest model based on the fluid dynamics solver was established. Considering the large enough neighborhood range to ensure the integrity of the data information, the simulation time was reduced. Finally, for multi-element scenes, a migration method for fluid simulation is proposed, a framework for feature knowledge transfer is established. A feature knowledge migration framework is established, and the invariant features of multi-element particles are combined to improve the accuracy of the unknown scene simulation.

随着计算机软硬件技术的发展，应用于虚拟现实及工业等领域的可视化仿真越来越强调时效性和精准性，这给传统的基于物理模型的流体仿真提出了更高要求。本项目拟将机器学习方法与基于物理的流体仿真相结合，开展面向多元素场景的数据驱动流体仿真研究。重点解决物理约束下流体特征结构设计、基于流体动力学的数据驱动模型构建、面向多元素场景的流体仿真模型迁移等问题，力图提出一套高效逼真的流体仿真方法。本项目的研究内容主要有：首先对各个粒子状态进行建模，设计并建立满足Navier-Stocks方程及表征局部区域流体状态的特征向量，并提出一种降维方法处理高维特征结构。其次建立基于流体动力学求解器的回归森林模型，考虑足够大的邻域范围保证数据信息的完整性，减少仿真时间。最后面向多元素场景，提出流体仿真的迁移方法，建立特征知识迁移框架，对多元素粒子的不变特征进行组合学习，提高未知场景仿真的准确性。

数据驱动的多元素场景虚拟流体仿真主要涉及多场景中流体数据特征的提取及仿真模型的构建与迁移，本项目将机器学习方法与基于物理的流体仿真相结合，重点研究解决物理约束下流体特征结构设计、基于流体动力学的数据驱动模型构建、面向多元素场景的流体仿真模型迁移等问题，提出了一套高效逼真的流体仿真方法。主要研究内容包括：.1)物理约束下流体特征建模：开发了一种物理约束流体特征的机器学习构建方案。将基于光滑粒子流体动力学方法构建的流体粒子所携带的物理量作为流体粒子的输入特征，实现了物理约束下的流体特征提取。该方法所构建的特征模型能够有效表示流体粒子的物理属性以及流体局部和全局的行为特征，并且有效地降低了计算复杂度。.2)流体动力学求解器的深度神经网络建模：针对流体仿真效率问题，研究使用数据驱动方法自动拟合生成流体的最佳计算模型，以提升模拟速度和精度并应用于大场景预测仿真。设计了一个名为FluidsNet的深度神经网络，实现对丰富现象的流体行为的预测仿真。.3)多元素场景流体仿真模型迁移：建立粒子特征的时序序列模型，预测粒子在一定时间内的运动状态，以提升仿真效率；通过对流体粒子不变特征的学习和训练，建立特征知识迁移框架，对多元素粒子的不变特征进行组合学习，提高针对未知场景模拟的准确性。.4)面向流程工业过程的流体可视化仿真：面向流程工业中流体仿真实例，采矿的膏体充填过程，构建真实工况过程流体环境的数据驱动仿真设计，实现面向多元素场景的高效数据驱动流体仿真系统。.项目形成的相关研究成果在Computers & Graphics，Computer Animation and Virtual Worlds，Simulation Modelling Practice and Theory，计算机辅助设计与图形学学报及工程科学学报等重要期刊，SIGGRAPH, IEEE VR, IEEE BIBM及CCCI等著名学术会议发表论文41篇，形成专利7项，获奖6次，获得软件著作权1项。