图变换用于逆向物理：重建任意二维机翼上的流场
机器学习
2025-01-29 v1 人工智能
计算工程、金融与科学
摘要
我们引入一种基于图变换的框架，作为通用的逆向物理引擎，通过稀疏表面测量来重建气动流场。尽管深度学习在前向物理仿真中取得了令人期待的成果，但逆向问题仍然具有挑战性，原因在于其病态性质以及难以从有限的边界观测信息传递信息。我们的ethods通过结合消息传递神经网络的几何表达能力与变压器的全局推理能力，实现了从边界条件到完整状态的有效逆向映射学习。在多样化机翼几何形状的稳态RANS仿真数据集上进行评估，该框架从表面压力测量数据重建完整的压力和速度场。该架构在保持快速推理速度的同时实现了高精度的重建。我们进行了实验并提供了关于在网格化逆问题中局部几何处理与全局注意力机制相对重要性的见解。我们还发现该框架对减少传感器覆盖范围具有鲁棒性。这些结果表明，图变换可作为有效的逆向物理引擎，适用于从有限边界观测重建完整系统状态的更广泛应用场景。
引用
@article{arxiv.2501.17081,
title = {Graph Transformers for inverse physics: reconstructing flows around arbitrary 2D airfoils},
author = {Gregory Duthé and Imad Abdallah and Eleni Chatzi},
journal= {arXiv preprint arXiv:2501.17081},
year = {2025}
}