Buchumschlag

A review on Deep Reinforcement Learning for Fluid Mechanics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Garnier, Paul, Viquerat, Jonathan, Rabault, Jean, Larcher, Aurélien, Kuhnle, Alexander, Hachem, Elie
Format:	Preprint
Veröffentlicht:	2019
Schlagworte:	Computational Physics Machine Learning Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MeshMask: Physics-Based Simulations with Masked Graph Neural Networks
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Graph Deep Learning for Intracranial Aneurysm Blood Flow Simulation and Risk Assessment
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Automated discovery of finite volume schemes using Graph Neural Networks
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Timescale Separation Enables Deep Reinforcement Learning Control of Rotating Detonation Engine Mode Transitions
von: Holme, Kristian, et al.
Veröffentlicht: (2026)

Multi-Grid Graph Neural Networks with Self-Attention for Computational Mechanics
von: Garnier, Paul, et al.
Veröffentlicht: (2024)

Towards Active Flow Control Strategies Through Deep Reinforcement Learning
von: Montalà, Ricard, et al.
Veröffentlicht: (2024)

Dynamic Feature-based Deep Reinforcement Learning for Flow Control of Circular Cylinder with Sparse Surface Pressure Sensing
von: Wang, Qiulei, et al.
Veröffentlicht: (2023)

Optimal Lattice Boltzmann Closures through Multi-Agent Reinforcement Learning
von: Fischer, Paul, et al.
Veröffentlicht: (2025)

CFDBench: A Large-Scale Benchmark for Machine Learning Methods in Fluid Dynamics
von: Luo, Yining, et al.
Veröffentlicht: (2023)

Adaptive Immersed Mesh Method (AIMM) for Fluid Structure Interaction
von: Nemer, R., et al.
Veröffentlicht: (2022)

Graph-Based Learning of Free Surface Dynamics in Generalized Newtonian Fluids using Smoothed Particle Hydrodynamics
von: Kim, Hyo-Jin, et al.
Veröffentlicht: (2025)

Data-Driven Reduced-Complexity Modeling of Fluid Flows: A Community Challenge
von: Schmidt, Oliver T., et al.
Veröffentlicht: (2026)

Optimal Parallelization Strategies for Active Flow Control in Deep Reinforcement Learning-Based Computational Fluid Dynamics
von: Jia, Wang, et al.
Veröffentlicht: (2024)

LinguaFluid: Language Guided Fluid Control via Semantic Rewards in Reinforcement Learning
von: Liang, Aoming, et al.
Veröffentlicht: (2025)

Multi-agent reinforcement learning for the control of three-dimensional Rayleigh-Bénard convection
von: Vasanth, Joel, et al.
Veröffentlicht: (2024)

Inpainting Computational Fluid Dynamics with Deep Learning
von: Shu, Dule, et al.
Veröffentlicht: (2024)

AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction
von: Kumar, Sushrut
Veröffentlicht: (2026)

TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis
von: Hervé, Clément, et al.
Veröffentlicht: (2025)

WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks
von: Walter, Linus, et al.
Veröffentlicht: (2025)

DRLinFluids -- An open-source python platform of coupling Deep Reinforcement Learning and OpenFOAM
von: Wang, Qiulei, et al.
Veröffentlicht: (2022)

Advanced deep-reinforcement-learning methods for flow control: group-invariant and positional-encoding networks improve learning speed and quality
von: Jeon, Joongoo, et al.
Veröffentlicht: (2024)

Learned Coarse Models for Efficient Turbulence Simulation
von: Stachenfeld, Kimberly, et al.
Veröffentlicht: (2021)

Reinforcement learning for anisotropic p-adaptation and error estimation in high-order solvers
von: Huergo, David, et al.
Veröffentlicht: (2024)

Deep Learning of Solver-Aware Turbulence Closures from Nudged LES Dynamics
von: Suriyanarayanan, Ashwin, et al.
Veröffentlicht: (2026)

DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction
von: Ma, Qilong, et al.
Veröffentlicht: (2024)

HydroGym: A Reinforcement Learning Platform for Fluid Dynamics
von: Lagemann, Christian, et al.
Veröffentlicht: (2025)

Dragonfly: a modular deep reinforcement learning library
von: Viquerat, Jonathan, et al.
Veröffentlicht: (2025)

Training Transformers for Mesh-Based Simulations
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Deep Operator Learning for High-Fidelity Fluid Flow Field Reconstruction from Sparse Sensor Measurements
von: Dang, Hiep Vo, et al.
Veröffentlicht: (2024)

Generative Learning for Forecasting the Dynamics of Complex Systems
von: Gao, Han, et al.
Veröffentlicht: (2024)

Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics
von: Jekel, C. F., et al.
Veröffentlicht: (2024)

Spectrally Informed Learning of Fluid Flows
von: Shaffer, Benjamin D., et al.
Veröffentlicht: (2024)

Learning second-order TVD flux limiters using differentiable solvers
von: Huang, Chenyang, et al.
Veröffentlicht: (2025)

Learning Effective Dynamics across Spatio-Temporal Scales of Complex Flows
von: Gao, Han, et al.
Veröffentlicht: (2025)

Curriculum Learning for Mesh-based simulations
von: Garnier, Paul, et al.
Veröffentlicht: (2025)

Intelligent Optimization of Multi-Parameter Micromixers Using a Scientific Machine Learning Framework
von: Hassanzadeh, Meraj, et al.
Veröffentlicht: (2025)

Operator Learning for Surrogate Modeling of Wave-Induced Forces from Sea Surface Waves
von: Cai, Shukai, et al.
Veröffentlicht: (2026)

Investigation of Compressor Cascade Flow Using Physics- Informed Neural Networks with Adaptive Learning Strategy
von: Li, Zhihui, et al.
Veröffentlicht: (2023)

Hierarchical Multi-Fidelity Learning for Predicting Three-Dimensional Flame Wrinkling and Turbulent Burning Velocity
von: Zolfaghari, Saghar, et al.
Veröffentlicht: (2026)

Generative Learning of the Solution of Parametric Partial Differential Equations Using Guided Diffusion Models and Virtual Observations
von: Gao, Han, et al.
Veröffentlicht: (2024)