Oriented boundary particle learning for SPH fluids (2024)
- Authors:
- Autor USP: SILVA, SAMUEL ROCHA - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/T.55.2024.tde-12022025-113301
- Subjects: APRENDIZADO COMPUTACIONAL; REDES NEURAIS; DINÂMICA DOS FLUÍDOS COMPUTACIONAL; PROCESSAMENTO DE IMAGENS; VISUALIZAÇÃO
- Keywords: Convolutional neural network; Deep learning; Fluidos SPH; Oriented boundary particle; Partícula de fronteira orientada; Reconstrução de superfície; Rede neural convolucional; SPH fluids; Surface reconstruction
- Agências de fomento:
- Language: Inglês
- Abstract: O avanço no poder de processamento dos computadores nas últimas décadas possibilitou a aplicação de redes neurais artificiais em diversas áreas da ciência. Mais recentemente, com o desenvolvimento de novas arquiteturas de redes profundas, diversas aplicações têm sido desenvolvidas no campo da simulação computacional de fluidos. Nesta tese, apresentamos duas novas arquiteturas de redes profundas projetadas para resolver simultaneamente os problemas de detecção de partículas de fronteira e estimativa de vetores normais em fluidos SPH. A primeira rede, denominada Dense Voxel Fluid Convolutional Neural Network (Dense VFCNN), é mais precisa, mas utiliza convoluções 3D tradicionais, que são computacionalmente ineficientes. A segunda rede, denominada Sparse Voxel Fluid Convolutional Neural Network (Sparse VFCNN), foi projetada para mitigar esse gargalo computacional, sendo 10 vezes mais rápida. Para isso, reprojetamos a arquitetura anterior com convoluções 3D espacialmente esparsas, que são notavelmente mais eficientes do que as convoluções tradicionais. Para validar nossos modelos, comparamos ambas as arquiteturas com métodos de estado da arte em detecção de partículas de fronteira. Os resultados mostram que nosso modelo Dense VFCNN supera métodos de estado da arte em termos de acurácia, embora seja significativamente mais lento. Em contrapartida, nosso modelo Sparse VFCNN alcança níveis semelhantes de acurácia em relação aos métodos existentes na literatura, sendo ligeiramentemais eficiente. Além disso, enquanto os métodos da literatura são projetados especificamente para resolver o problema de detecção de partículas de fronteira, nossas abordagens neurais são muito mais flexíveis, permitindo também a resolução simultânea do problema de estimativa de vetores normais. Essa característica adicional é crucial para aplicações de reconstrução de superfície livre, pois elimina a necessidade de métodos adicionais para estimar a orientação das partículas.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 25.11.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
SILVA, Samuel Rocha. Oriented boundary particle learning for SPH fluids. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-12022025-113301/. Acesso em: 10 jan. 2026. -
APA
Silva, S. R. (2024). Oriented boundary particle learning for SPH fluids (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-12022025-113301/ -
NLM
Silva SR. Oriented boundary particle learning for SPH fluids [Internet]. 2024 ;[citado 2026 jan. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-12022025-113301/ -
Vancouver
Silva SR. Oriented boundary particle learning for SPH fluids [Internet]. 2024 ;[citado 2026 jan. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-12022025-113301/
Informações sobre o DOI: 10.11606/T.55.2024.tde-12022025-113301 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
