流场补全网络：利用图神经网络从不完整流场信息推断流体动力学
流体动力学
2022-08-24 v2 机器学习
摘要
本文提出一种新颖的神经网络——流场补全网络（FCN）——基于图卷积注意力网络，从不完整数据推断流体动力学，包括流场及作用于物体的力。FCN 由若干图卷积层和空间注意力层组成。其设计目标是在与涡力图（VFM）方法结合时推断流场的速度场及涡力贡献。与流体动力学中采用的其他神经网络相比，FCN 能够处理结构化数据和非结构化数据。所提 FCN 的性能通过圆柱绕流流场的计算流体动力学（CFD）数据加以评估。我们模型的力系数与直接由 CFD 获得的力系数进行了验证。此外，结果表明我们的模型同时有效利用了现有流场信息与梯度信息，性能优于传统的基于卷积神经网络（CNN）和深度神经网络（DNN）的模型。具体而言，在不同雷诺数与不同训练数据集比例的所有案例中，结果表明所提 FCN 在测试数据集上取得的最大范数均方误差为 5.86%，远低于传统基于 CNN 和 DNN 的模型（分别为 42.32% 和 15.63%）。
引用
@article{arxiv.2205.04739,
title = {Flow Completion Network: Inferring the Fluid Dynamics from Incomplete Flow Information using Graph Neural Networks},
author = {Xiaodong He and Yinan Wang and Juan Li},
journal= {arXiv preprint arXiv:2205.04739},
year = {2022}
}
备注
12 pages, 10 figures