面向牙科临床环境中湍流纳米粒子扩散的 Physics-Informed Graph Neural Network Surrogates

牙科气溶胶操作产生亚 50 微米的颗粒，这些颗粒在封闭式诊室中可悬浮较长时间，形成空气道路传递病原体的途径。湍流平均Navier-Stokes (RANS) 仿真配合Euler-Lagrange粒子轨迹能准确捕捉这种运输，但每个情景的运行时间很长，此举不利于3D空间中的临床决策支持。我们提出Euler-Lagrangian图互动网络 (ELGIN)，一种物理信息化图网络替代模型，联合预测载流体动力学（基于OpenFOAM多面体网格）和离散粒子云中各颗粒运动。ELGIN将多头图变换器与Jacobi预条件化可学习压力投影相结合，并通过可微逆距离网格-颗粒耦合，将其耦合到基于Sigmoidal门控的拉格朗日互动网络中，通过Symplectic Stormer-Verlet积分器推进颗粒。一种四阶段物理信息化课程稳定了260步的自回归滚动，防止梯度爆炸。通过foam-extend 4.1 OpenFOAM reactingParcelFoam 在临床相关通风率和手柄喷雾速度范围内进行参数扫描，提供了CFD基准数据。本文报告了单案例演示，其中ELGIN和仅拉格朗日基线模型（M0）在包含20个案例的扫面测试中训练和评估于Sweep_Case_03；完整的16/2/2重新训练正在进行中，将替换所有已报告指标。在该案例中，ELGIN对比M0更贴近foam-extend粒子云：颗粒位移误差从房间宽度的19.56%降至16.20%，云心率半径误差从9.85%降至6.58%。在4 GB GPU上完成26秒滚动耗时约64秒，约快37倍于foam-extend参考流程，朝着一旦多案例检查点就绪后实现每次预约感染风险筛查迈进。