用于翼型空气动力学建模的几何感知消息传递神经网络
机器学习
2024-12-16 v2
摘要
空气动力学的计算建模是航空航天工程中的一个关键问题，通常涉及与翼型等固体物体相互作用的流动。深度代理模型已成为纯粹基于数据驱动的方法，直接学习从模拟或实验数据到仿真条件的映射。在此，我们考虑固体物体上的不可压缩流动建模，其中几何结构是决定空气动力学的关键因素。为了有效整合几何信息，我们提出了一种消息传递方案，该方案高效且富有表现力地将翼型形状与网格表示相结合。在此框架下，我们首先在翼型表面以潜在图的形式获得几何表示。随后，我们通过在有向二部图上进行消息传递，将该表示传播到所有配置点。我们证明，该框架支持通过下采样求解网格进行高效训练，同时避免在完整网格上评估时出现测试时的分布偏移。为了使我们的模型能够区分翼型周围不同空间区域的动力学特征，我们在前缘和后缘坐标系中表示网格点。我们通过使用正弦和球谐基嵌入我们的极坐标-笛卡尔混合坐标系，进一步增强了坐标表示的表示能力。我们还发现，通过改变基来规范化输入表示以考虑来流速度，可以显著提高泛化能力。总而言之，这些设计选择构成了一个纯数据驱动的机器学习框架，称为 GeoMPNN，该框架在 NeurIPS 2024 ML4CFD 竞赛中获得了最佳学生提交奖，总排名第四。我们的代码作为 AIRS 库的一部分公开可用 (https://github.com/divelab/AIRS)。
关键词
引用
@article{arxiv.2412.09399,
title = {A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils},
author = {Jacob Helwig and Xuan Zhang and Haiyang Yu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2412.09399},
year = {2024}
}