有限体积图网络（FVGN）：基于有限体积信息神经网络的不可压非定常流体动力学预测
流体动力学
2024-04-11 v4 计算物理
摘要
深度学习的快速发展对计算流体力学（CFD）的进步具有重要意义。当前，大多数基于像素网格的流场预测深度学习方法在边界层流动预测上精度显著下降，且对几何形状的适应性差。尽管基于非结构网格的图神经网络（GNN）非定常流预测模型具有更好的几何适应性，这些模型在非定常流长期预测中存在误差累积。更重要的是，纯数据驱动模型常需大量训练时间，极大限制了深度学习模型在面对更复杂非定常流时的快速更新与迭代速度。因此，本文旨在通过将基于有限体积法的物理约束融入图神经网络损失函数，来平衡训练开销与预测精度的需求。此外，其引入了受扩展模板法启发的两次消息聚合机制，以提升图神经网络模型在非结构网格上的非定常流预测精度与几何形状泛化能力。我们特别关注模型在边界层内的预测精度。与纯数据驱动方法相比，我们的模型在更短训练时间内取得了更好的预测精度与几何形状泛化能力。
引用
@article{arxiv.2309.10050,
title = {Finite Volume Graph Network(FVGN): Predicting unsteady incompressible fluid dynamics with finite volume informed neural network},
author = {Tianyu Li and Shufan Zou and Xinghua Chang and Laiping Zhang and Xiaogang Deng},
journal= {arXiv preprint arXiv:2309.10050},
year = {2024}
}