基于图神经网络的时变几何流场重构
机器学习
2024-11-14 v1 人工智能
流体动力学
摘要
本文提出了一种图注意力卷积网络（GACN），用于从时变几何中的极稀疏数据重构流场。该模型引入特征传播算法作为预处理步骤以处理极度稀疏的输入，利用邻居节点信息初始化缺失特征。此外，引入二值指示器作为有效性掩码，以区分原始数据点和传播数据点，从而实现从稀疏输入中更有效的学习。在技术相关工况下的有进气发动机直接数值模拟（DNS）唯一数据集上训练，GACN 在不同分辨率和域大小上表现出鲁棒性能，并能有效处理非结构化数据和可变输入尺寸。该模型在训练未见过的 DNS 数据以及未在训练中考虑的粒子图像测速（PIV）实验数据集上进行测试。对比分析显示，GACN 在 DNS 和 PIV 测试集上始终优于传统卷积神经网络（CNN）和三次插值方法，实现了更低的重构误差并更好地捕捉精细湍流结构。特别地，GACN 能有效重构比训练期间观察到的域大 14 倍的流场，且性能优势随域增大而增加。
引用
@article{arxiv.2411.08764,
title = {Flow reconstruction in time-varying geometries using graph neural networks},
author = {Bogdan A. Danciu and Vito A. Pagone and Benjamin Böhm and Marius Schmidt and Christos E. Frouzakis},
journal= {arXiv preprint arXiv:2411.08764},
year = {2024}
}