面向多孔结构中流动的几何感知物理约束点云网络

预测穿过和绕过多孔实体的流动是一项具有挑战性的任务，这需要在流体和多孔区域之间进行耦合物理建模，并能够推广到多样化的几何和边界条件。我们采用两种物理约束学习方法来解决该问题：物理约束点云网络（Physics Informed PointNets, PIPN）和物理约束几何感知神经算子（Physics Informed Geometry Aware Neural Operator, P-IGANO）。在统一的损失函数中，我们在自由流动区域内强制执行不可压 Navier-Stokes 方程，在多孔区域内采用达利-福克希尔扩展，并对网络对几何和材料参数进行条件化。我们使用 OpenFOAM 在包含多孔障碍物的二维通道以及具有树冠和建筑物的三维风障场景上生成数据集。我们首先通过方法 Manufactured Solutions 验证该管道，然后评估对不可见形状的泛化能力，以及对于 PI-GANO，对可变边界条件和参数设置的泛化能力。结果显示，在所有已见和未见案例中，速度和压力误差始终较小，能够准确再现涡流结构。性能主要在锐利界面和大梯度区域受损。总体而言，本研究提供了对 PIPN/PI-GANO 进行同时通过和绕过多孔流动的首个系统评估，表明其在无需为每种几何重新训练的情况下可用于加速设计研究。