基于几何引导的生成式流匹配框架：用于复杂几何体上的高保真3D气动推断
数值分析
2026-04-28 v1 机器学习
数值分析
摘要
深度生成模型和神经算子在3D气动推断方面展现出巨大的潜力，但常面临在保持物理一致性和保留高频特征方面的固有挑战，主要源于谱偏差和 governing 方程中的梯度冲突。为此，我们提出GeoFunFlow-3D，一种基于几何引导的生成式流匹配框架。时域上，我们利用最优传输理论构建生成路径，确保训练动力学稳定。谱域上，我们引入一种无自动微分（No-AD）的高阶离散引擎，以减少梯度刚度。空间上，采用拓扑感知超分辨率模块（SATO）严格执行局部区域（如冲击波）中的物理法则。我们在复杂工业数据集上评估了该框架。在BlendedNet数据集上，该模型在稀疏数据条件下成功避免了模式坍缩。对于NASA Rotor37测试，能够准确捕捉3D脱离冲击结构。与常规算子相比，GeoFunFlow-3D显著提高了精度，将压力场误差（RRMSE）降至0.0215，同时保持竞争的推理效率。最终，本工作提供了一种可靠、几何驱动的方法，用于生成高维流体场。
引用
@article{arxiv.2604.23350,
title = {GeoFunFlow-3D: A Physics-Guided Generative Flow Matching Framework for High-Fidelity 3D Aerodynamic Inference over Complex Geometries},
author = {Ruiling Jiang and Yong Zhang and Houbiao Li},
journal= {arXiv preprint arXiv:2604.23350},
year = {2026}
}
备注
40 pages, 18 figures,4 tables