基于图神经网络的非结构网格涡识别
流体动力学
2023-11-14 v1 计算机视觉与模式识别
摘要
深度学习已被用于从计算流体力学（CFD）数据库中识别流动特征，以帮助研究者更好地理解流场、优化几何设计并为相应流动特征选择正确的 CFD 配置。卷积神经网络（CNN）是用于提取和识别流动特征最流行的算法之一。然而，其使用在不进行额外流场插值的情况下仅限于简单域几何与规则网格，这限制了其在通常采用复杂几何与非规则网格的真实工业案例中的应用。针对上述问题，我们提出了一种基于图神经网络（GNN）的 U-Net 架构模型，用于在非结构网格的 CFD 结果中识别涡。介绍了利用代数多重网格方法从 CFD 网格生成图与构建图层次结构的方法。提出了一种涡自动标注方法以标注二维 CFD 网格中的涡区域。我们首先优化 CNN 上的输入集，然后将当前 GNN 核与 CNN 模型进行基准对比，并从分类精度、训练效率与识别出的涡形态方面评估 GNN 核的性能，从而改进我们的方法。最后，我们展示了该方法对非结构网格的适应性以及对不同湍流模型、不同雷诺数下未见案例的泛化能力。
引用
@article{arxiv.2311.06557,
title = {Identification of vortex in unstructured mesh with graph neural networks},
author = {Lianfa Wang and Yvan Fournier and Jean-Francois Wald and Youssef Mesri},
journal= {arXiv preprint arXiv:2311.06557},
year = {2023}
}
备注
Accepted by the journal Computers & Fluids