数据驱动的流体动画计算模型与方法

Physically-based fluid animation has important research value and applications. However, for high-resolution and high-quality fluid animation, the computing costs are big challenges. Recently emerging methods using pre-computed fluid data can accelerate a lot, but at great costs of sacrificing simulation quality and scene extrapolating ability. This project proposes to investigate new methods from the perspective of data-driven, to combine machine learning techniques such as neural network, to improve simulation accuracy and extrapolating ability. The research contents include: 1) research the modeling capability of neural network methods for the non-linear relationships of fluid data, using artificial neural network to accelerate fluid solver and build basic framework for machine-learning based data-driven simulation. 2) explore data-driven approximate solution for Poisson equation in projection step of fluid simulation, using machine learning and data training methods, thus establish new methods for data-driven fluid animation. 3) investigate data-driven incremental studying methods, to improve quality and adaptability for various scenes and boundary conditions. The expected outcome includes a set of machine-learning based data-driven fluid animation computational theory, model and methods, to provide a new way to high-efficient simulation of fluid animation.

基于物理的流体动画具有重要学术意义和应用价值，但大规模和高质量的快速模拟需求给其计算方法带来了很大挑战。近年来新兴的结合预计算流体数据的模拟方法能大幅提速，但缺点是较大地牺牲了模拟质量和场景普适性。本项目针对欧拉模拟框架，结合神经网络等机器学习方法探索数据驱动的流体动画快速模拟模型与方法，旨在提高数据驱动方法的模拟质量和场景普适性。主要研究内容：1) 研究神经网络等机器学习方法对流体数据非线性关系的学习建模能力，利用人工神经网络加速流体方程求解过程，探索建立基于数据驱动的流体动画计算新框架；2) 利用机器学习和数据训练，探索数据驱动下流体模拟投影步的泊松方程近似求解方法，建立流体动画模拟新方法; 3) 探索数据驱动的流体模拟增量学习方法，提高数据驱动流体计算模型对不同场景和边界条件的计算质量和场景普适性。预期建立一套基于机器学习和数据驱动的流体动画高效计算理论、模型与方法。

基于物理的流体动画具有重要的应用价值，但流体动画的计算开销随着规模增长和细节增加而大幅上升，若要得到具有精细结构的流体结果需要很长的计算周期。数据驱动的流体模拟方法试图通过流体数据特征推测出不同物理量的非线性关系，缓解计算时间过长的问题。然而，已有的数据驱动流体动画研究工作在模拟质量和场景普适性上存在较大挑战。本项目针对数据驱动流体动画计算模型进行了深入探究，提出了一系列提高模拟质量、增强场景普适性的新的流体仿真计算方法，主要研究成果有：1）设计了新的数据驱动计算框架来建模流体数据的非线性关系，提高了低分辨率下的流体仿真质量；2）提出数据驱动加速流体方程求解的方法，支持流体方程投影步的快速近似求解；3）提出了流体模拟的增量学习框架，提高了数据驱动流体计算模型对不同场景和边界条件的计算质量和场景普适性；4）获取不同离散化方式下的流体数据，深入分析并提取了流体数据的主要特征。本项目深入探索了数据驱动流体动画计算模型的模拟质量和场景普适性相关问题，贡献了一批高效的流体模拟新方法，为后续相关研究与应用提供了基础。