用于翼型设计的图神经网络
机器学习
2023-05-10 v1 流体动力学
摘要
通过深度学习框架研究偏微分方程（PDE）于数年前兴起，并实现了对简单动力学的令人印象深刻的逼近。图神经网络（GNN）在处理 PDE 数值求解中常见的非结构化数据时非常有用。然而，如 Navier-Stokes 方程等更难 PDE 的求解仍是一项挑战性任务，且大多数相关工作的重点要么集中于模拟简单几何周围的流场，要么集中于为设计目的而看起来符合物理规律的定性结果。在本研究中，我们试图利用深度学习用于 PDE 和 GNN 的已有工作，通过改进一种已知架构来逼近不同翼型几何上二维稳态不可压缩 Navier-Stokes 方程的解。此外，我们不仅测试模型在体域上的性能，还测试其逼近壁面剪切应力或等静压等表面量的性能，从而推断升力与阻力等全局系数，以支持设计探索。本工作是一项旨在逼近工业几何上三维稳态解的更长期项目的一部分。
引用
@article{arxiv.2305.05469,
title = {Graph Neural Networks for Airfoil Design},
author = {Florent Bonnet},
journal= {arXiv preprint arXiv:2305.05469},
year = {2023}
}