基于分阶段图神经网络的数据驱动自然对流预测方法——针对封闭腔体
计算机视觉与模式识别
2025-09-09 v1
摘要
浮力驱动的封闭腔体热传递是热力学设计的典型测试基准。高保真 CFD 模型虽能提供准确的热场解，但依赖专家构建的物理模型、细化网格以及计算密集，限制了快速迭代。近期数据驱动建模，尤其是图神经网络（GNN），从模拟数据中直接学习热力学行为，尤其在不规则网格结构上具有潜在优势。然而，常规 GNN 难以捕捉高分辨率图结构中的长程依赖。为此，我们提出一种新型分阶段 GNN 架构，利用层次化池化与反池化操作，在多个空间尺度上逐步建模全局到局部的相互作用。我们在新构建的 CFD 数据集上评估了该模型，该数据集模拟了在不同长宽比的矩形腔体内的自然对流，其中底壁为等温热壁、顶壁为等温冷壁、两个竖壁为绝热。实验结果表明，所提模型在预测精度、训练效率及长期误差积累方面均优于当前最先进（SOTA）GNN基线。这一发现凸显了所提分阶段 GNN 方法在基于网格的流体动力学仿真中建模复杂热传递的潜力。
引用
@article{arxiv.2509.06041,
title = {Multi-Stage Graph Neural Networks for Data-Driven Prediction of Natural Convection in Enclosed Cavities},
author = {Mohammad Ahangarkiasari and Hassan Pouraria},
journal= {arXiv preprint arXiv:2509.06041},
year = {2025}
}