MC-A05
Integrando Redes Neurais, Modelos Físicos e Rendering para Animação de Fluidos

Professor: Gilson Antônio Giraldi (LNCC), Antonio Lopes Apolinário Jr. (UFBA) e Leandro Tavares (CEFET)

Horarios: De terça 02/02 a sexta 05/02 feira de 09:00h às 10:30h

Objetivo: Na animacção computacional de cenários envolvendo fluídos, a utilização de métodos em dinâmica de fluídos computacional (DFC) tem se mostrado um recurso valioso, levando sempre em conta o fato de que o objetivo final é a geração de efeitos visuais, e não a descriçãp de fenômenos naturais [1]. Técnicas e modelos em mecânica do contínuo vêm sendo aplicados com sucesso na geração de animações para a indústria cinematográfica [2, 3, 4] e mais recentemente na indústria de jogos eletrônicos [5, 6, 7], mostrando como as áreas de matemática, computaçãoo gráfica e modelagem de meios contínuos podem ser integradas, gerando temas multidisciplinares de pesquisa, com aplicações tecnológicas. Recentemente, com a difusão das técnicas de aprendizagem profunda (deep learning ) novas abordagens vem surgindo utilizando algoritmos em aprendizagem de máquina para modelagem de sistemas complexos [8]. Por outro lado, redes neuras e modelos físicos vem sendo integrados gerando novos métodos cuja precisão pode atender as necessidades da animação computacional [9]. Esses novos modelos abrem a perspectiva de aproveitar a capacidade de aprender com dados das redes neurais juntamente com o rigor e propriedades matemáticas das equações diferenciais [10].

Neste contexto estaremos interessados em dois métodos de simulação de fluído Smoothed Particle Hydrodynamics (SPH) e Fluid-Implicit-Particle (FLIP). O método SPH é independente de malhas e vem sendo aplicado com sucesso na engenharia [11, 12] bem como em computação gráfica [13, 14, 15, 16]. Os fundamentos do método SPH estão na teoria de interpolação e em sistemas de partículas. O método SPH não faz uso de malhas para estimar as derivadas. Esta é uma vantagem deste método, em relação a métodos de diferenças ou elementos finitos para aplicações em computação gráfica. As cenas em um filme são em geral dinâmicas, com fronteiras variáveis em função de novos objetos que entram na cena à medida que esta se desenvolve. Desta forma, métodos que não fazem uso de malhas, podem ser vantajosos por evitar o custo extra de re-gerar a malha sempre que tais alterações ocorrem. O modelo FLIP tamb´em representa o fluido usando uma nuvem de partícula, mas, por outro lado, utiliza também uma malha auxiliar para impor com eficiência condições de contorno e de incompressibilidade [17, 18].

No contexto deste minicurso, uma vez compreendidos os modelos de simulaçãoo, existem duas frentes possíveis para seguir. A mais convencional, é utilizar os dados gerados nas simulações para treinamento das redes neurais, com o objetivo de obter modelos suficientemente generalistas que possam gerar novos dados, com custo reduzido se comparado com as simulaçõs originais. Nesta linha, serão apresentados trabalhos envolvendo geração de novos frames em alta resolução [19, 20] e animação de fluídos via redes neurais recorrentes [21, 22, 23]. Por outro lado, uma nova perspectiva se abre com a incorporação de restrições físicas, tais como condições de fronteira e incompressibilidade, no modelo das redes neurais. Neste contexto, será discutido o trabalho [8] que apresenta uma rede do tipo autoencoder, modificado para atender restrições físicas dos fluidos.

Ementa:
  1. Introdução
  2. Fluxo de Dados na Animação Computacional de Fluidos
    • Modelo da Cena
    • Simulação de Fluidos
    • Técnicas de Rendering
  3. Método SPH
    • Equações de Navier-Stokes para Animação de Fluidos
    • Aproximação via Núcleos de Suavização
    • Interação com a Fronteira
  4. Método FLIP
    • Característica Híbria do Método
    • Evolução das Partículas
    • Utilização da Malha
  5. Aprendizagem de Máquina
    • Aprendizagem Profunda
    • Redes Neurais Convolucionais (CNN)
    • Redes Neurais Recorrentes (RNN)
    • Redes Neurais Generativas (GAN)
  6. Rendering de Fluidos
    • Métodos Clássicos de Renderização
    • Técnicas de Aprendizado de Máquina aplicadas ao processo de Renderização
    • Renderização de Fluidos Baseada em Dados (Data-Driven)
  7. Perspectivas em Pesquisa e Desenvolvimento
    • Controle de Fluidos
    • Técnicas Data-Driven Aplicadas à renderização e animação de fluídos
  8. Conclusões

Bibliografia:
  1. G. A. Giraldi and A.L.A.Jr.,“Animac¸a˜o de fluidos via m´etodos baseados em part´ıculas,” LNCC and UFBA, Tech. Rep., http://virtual01.lncc.br/∼giraldi/verao2018/MonografiaVeraoLNCC-2018.pdf,
  2. ACM Trans. Graph., vol. 37, no. 6, 2019.
  3. Pixar, Pixar On-Line Library. http://graphics.pixar.com/library/, 2019.
  4. M. C. Renhe, M. B. Vieira, and C. Esperan¸ca, “A stable tensor-based method for controlled fl simulations,” Applied Mathematics and Computation, vol. 343, pp. 195–213, 2019.
  5. F. Reichl, M. G. Chajdas, J. Schneider, and R. Westermann, “Interactive rendering of giga- particle fl simulations,” in Eurographics/ACM SIGGRAPH Symposium on High Perfor- mance Graphics. The Eurographics Association, 2014, pp. 105–116.
  6. A. Hendra, “Accelerating fl simulation using SPH and implementation on GPU,” Master’s thesis, Uppsala University, Sweden, 2015.
  7. T. Imai, Y. Kanamori, and J. Mitani, “Real-time screen-space liquid rendering with complex refractions,” Computer Animation and Virtual Worlds, vol. 27, no. 3-4, pp. 425–434, 2016.
  8. A. T. Mohan, N. Lubbers, D. Livescu, and M. Chertkov, “Embedding hard physical cons- traints in neural network coarse-graining of 3d turbulence,” 2020.
  9. C. Rackauckas, Y. Ma, J. Martensen, C. Warner, K. Zubov, R. Supekar, D. Skinner, and A. Ramadhan, “Universal difftial equations for scientific machine learning,” 2020.
  10. R. T. Q. Chen, Y. Rubanova, J. Bettencourt, and D. K. Duvenaud, “Neural ordinary diff tial equations,”in Advances in Neural Information Processing Systems 31, S. Bengio, H. Wallach, H. Larochelle, K. Grauman, N. Cesa-Bianchi, and R. Garnett, Eds.Curran Associates, Inc., 2018, pp. 6571–6583. [Online]. Available: http://papers.nips.cc/paper/7892-neural-ordinary-diff tial-equations.pdf
  11. B. T. Vu, J. J. Berg, M. F. Harris, and A. C. Crespo, “Launch environment water fl w simu- lations using smoothed particle hydrodynamics,” in 53rd AIAA Aerospace Sciences Meeting, 2015, p. 0049.
  12. Z.-B. Wang, R. Chen, H. Wang, Q. Liao, X. Zhu, and S.-Z. Li, “An overview of smoothed particle hydrodynamics for simulating multiphase fl w,” Applied Mathematical Modelling, vol. 40, no. 23, pp. 9625 – 9655, 2016.
  13. R. Winchenbach, H. Hochstetter, and A. Kolb, “Infinite continuous adaptivity for incompres- sible sph,” ACM Trans. Graph., vol. 36, no. 4, pp. 102:1–102:10, Jul. 2017.
  14. M. Ihmsen, J. Orthmann, B. Solenthaler, A. Kolb, and M. Teschner, “SPH fl in computer graphics,” in Eurographics 2014 - State of the Art Reports, S. Lefebvre and M. Spagnuolo, Eds. The Eurographics Association, 2014.
  15. R. Bridson, Fluid Simulation for Computer Graphics.CRC Press, 2015.
  16. J. Stam, The Art of Fluid Animation, 1st ed.A K Peters/CRC Press, 2015.
  17. J. Brackbill and H. Ruppel, “Flip: A method for adaptively zoned, particle-in-cell calculations of fl fl ws in two dimensions,” Journal of Computational Physics, vol. 65, no. 2, pp. 314 – 343, 1986.
  18. Y. Zhu and R. Bridson, “Animating sand as a fl in SIGGRAPH 2005, 2005.
  19. Y. Xie, E. Franz, M. Chu, and N. Thuerey, “tempoGAN: A Temporally Coherent, Volumetric GAN for Super-resolution Fluid Flow,” ACM Transactions on Graphics (TOG), vol. 37, no. 4, p. 95, 2018.
  20. M. Chu and N. Thu¨rey, “Data-driven synthesis of smoke fl ws with cnn-based feature des- criptors,” ACM Trans. Graph., vol. 36, pp. 69:1–69:14, 2017.
  21. J. Wen, H. Ma, and X. Luo, “Deep generative smoke simulator: connecting simulated and real data,” Visual Computer, vol. 36, no. 7, pp. 1385–1399, 2020. [Online]. Available: https://doi.org/10.1007/s00371-019-01738-y
  22. Y. Gao, Q. Zhang, S. Li, A. Hao, and H. Qin, “Accelerating Liquid Simulation With an Improved Data?Driven Method,” Computer Graphics Forum, vol. 00, no. 00, pp. 1–12, 2020.
  23. S. Wiewel, M. Becher, and N. Thuerey, “Latent Space Physics: Towards Learning the Tem- poral Evolution of Fluid Flow,” Computer Graphics Forum, 2019.
  24. M. Pharr and G. Humphreys, Physically Based Rendering: From Theory to Implementation, 2nd ed. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2010.