Physical simulation and deep learning using particle-based representations

Jeske, Stefan Rhys; Bender, Jan Stephen; Teschner, Matthias

doi:HT031573761

Physical simulation and deep learning using particle-based representations

Jeske, Stefan Rhys^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Stefan Rhys Jeske, M. Sc. RWTH

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak09

Hauptberichter/Gutachter
Bender, Jan Stephen (Thesis advisor)^RWTH* ; Teschner, Matthias (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2026-08-12

Online
DOI: 10.18154/RWTH-2026-07805
URL: https://publications.rwth-aachen.de/record/1040290/files/1040290.pdf

Einrichtungen

Lehr- und Forschungsgebiet Computer Animation (124720)

Inhaltliche Beschreibung (Schlagwörter)
3d reconstruction (frei) ; computational fluid dynamics (frei) ; deep learning (frei) ; melting (frei) ; physical simulation (frei) ; shape analysis (frei) ; shape encoding (frei) ; solidification (frei) ; surface tension (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Punkte sind einfache und vielseitige Primitive zur Repräsentation von Geometrie in der Computergrafik, mit Anwendungen unter anderem in der physikalischen Simulation und im geometrischen Deep Learning. Aktuelle Ansätze in diesen Bereichen sind bereits leistungsfähig, weisen jedoch in bestimmten Punkten noch Defizite auf. Zum einen ist die implizite partikelbasierte Fluidsimulation ein aktives Forschungsfeld, das für eine Vielzahl von Effekten Verbesserungen gezeigt hat, für die Oberflächenspannung zum Zeitpunkt der Veröffentlichung der zugrunde liegenden Arbeit jedoch noch nicht erfolgreich untersucht worden war. Dabei handelt es sich um eine wichtige Kraft für realistische Fluidbewegungen. Darüber hinaus wurde die Partikelsimulation bislang nicht quantitativ als tragfähige Alternative zu klassischeren gitterbasierten Simulationsverfahren etabliert, insbesondere für komplexe schmelzgetriebene Prozesse. Schließlich ist die Rekonstruktion geschlossener Oberflächen aus Oberflächenpartikeln ein schlecht gestelltes Problem ohne klare oder einfache Lösung. Bestehende Methoden, insbesondere im Bereich des Deep Learning, erzeugen mittels direkter Inferenz häufig keine zufriedenstellenden Oberflächen und sind gegebenenfalls auf zusätzliche Optimierungsdurchläufe zur Testzeit angewiesen, um eine bessere Anpassung zu erreichen. Um diesen Defiziten zu begegnen, untersucht die vorliegende Arbeit, wie sich Genauigkeit und Effizienz bei der Verwendung von Partikeln in zwei Hauptrichtungen verbessern lassen.Erstens werden für die partikelbasierte Fluidsimulation mit Smoothed Particle Hydrodynamics (SPH) Methoden entwickelt, die anspruchsvolle thermodynamische, schmelzgetriebene Szenarien adressieren. Es wird ein implizites, kohäsionsbasiertes Oberflächenspannungsmodell vorgestellt und stark mit impliziter Viskosität gekoppelt, um die Stabilität insbesondere bei hohen Oberflächenspannungen zu verbessern. Zudem ermöglichen implizite Formulierungen für Schmelzen und Erstarren zusammen mit einer akkuraten Partikel-zu-Gitter-Übertragung quantitative Untersuchungen von Schweiß- und thermischen Spritzprozessen. Diese Untersuchungen zeigen eine gute Übereinstimmung zwischen dem SPH-Framework und etablierten gitterbasierten Ansätzen und liefern zugleich effiziente hochaufgelöste Simulationen der Dynamik freier Oberflächen.Zweitens wird für das punktbasierte Deep Learning eine effiziente hybride Punkt-Gitter-Architektur vorgestellt, mit der neuronale Distanzfelder aus Punktwolken rekonstruiert werden. Das Verfahren kombiniert Punktverarbeitung und latente Gitterrepräsentationen in einem Encoder-Decoder-Entwurf mit einem einzigen Vorwärtsdurchlauf und ermöglicht so eine genaue und effiziente Formrekonstruktion geschlossener Oberflächen. Es wird gezeigt, dass diese Architektur schnell auszuwerten und zu trainieren ist und dabei andere Vergleichsverfahren bei der Rekonstruktionsaufgabe übertrifft.Insgesamt verbessern die vorgestellten Arbeiten punktbasierte Methoden sowohl hinsichtlich der physikalischen Genauigkeit in der Simulation als auch hinsichtlich des effizienten Lernens geometrischer Repräsentationen.

Points are simple and versatile primitives for representing geometry in computer graphics, with applications including physical simulation and geometric deep learning. Current approaches in these directions are already powerful, but they are still lacking in specific areas. For one, implicit particle-based fluid simulation is an active area of research that has shown improvements for a variety of effects, but, at the time of publication of the relevant work, had not been successfully explored for surface tension. This is an important force for realistic fluid motion. In addition, particle simulation has not been quantifiably established as a viable alternative to more traditional grid-based simulation methods, particularly for complex melt-driven processes. Finally, reconstructing closed surfaces from surface particles is an ill-posed problem without a clear or simple solution. Existing methods, particularly in deep learning, often fail to generate satisfying surfaces using direct inference and may rely on additional optimization passes at test-time to create a better fit. To address these shortcomings, this thesis investigates how the fidelity and efficiency of using particles can be improved in two primary directions. First, for particle-based fluid simulation with Smoothed Particle Hydrodynamics (SPH), methods are developed to address challenging thermodynamic, melt-driven scenarios. An implicit cohesion-based surface tension model is introduced and strongly coupled with implicit viscosity to improve stability, especially in high-tension regimes. In addition, implicit formulations for melting and solidification, together with accurate particle-to-grid transfer, enable quantitative studies of welding and thermal spraying. These studies show good agreement between the SPH framework and established grid-based approaches while providing efficient high-resolution simulations for free-surface dynamics. Second, for point-based deep learning, an efficient hybrid point-grid architecture is presented to reconstruct neural distance fields from point-cloud inputs. The method combines point processing and latent grid representations in a single forward-pass encoder-decoder design, enabling accurate and efficient shape reconstruction of closed surfaces. It is shown that this architecture is fast to evaluate and train, while outperforming other baselines on the reconstruction task. Taken together, the presented works improve point-based methods both in terms of physical accuracy in simulation and efficient geometric representation learning.

OpenAccess:
PDF
(additional files)