基于LSTM网络的IISPH流体仿真方法

传统基于物理方程的IISPH流体仿真模型有计算量大、耗时等缺点,对此提出一种基于LSTM神经网络的IISPH流体仿真方法,通过神经网络回归非线性物理模型得到LSTM模型并作为流体仿真的数据驱动项。首先,使用IISPH方法物理求解器获取一次迭代过程中压力项前后的数值,设计一个特征向量作为神经网络的输入,用来训练神经网络模型;然后将该模型替换原有方法中压力项计算方式,作为新的数据驱动,来预测所需要的压力加速度;最后,通过对BP神经网络、随机森林等传统机器学习方法试验对比,LSTM在大幅度提高速度同时,准确度最高。试验证明,与传统方法相比,基于LSTM的流体的IISPH方法在降低极小准确度情况下,速度得到大幅度提升。