提出一种基于图神经网络的智能网格平滑方法
计算机视觉与模式识别
2024-04-17 v2 人工智能
摘要
在 CFD 中，网格平滑方法常用于改善网格质量以实现高精度数值模拟。具体而言，基于优化的平滑用于高质量网格平滑，但会带来显著的计算开销。先驱工作通过采用监督学习从高质网格中学习平滑方法来提升其平滑效率。然而，它们难以平滑具有不同度数的网格节点，且需要数据增强以解决节点输入序列问题。此外，所需的有标签高质量网格进一步限制了所提方法的适用性。本文中，我们提出 GMSNet，一种用于智能网格平滑的轻量级神经网络模型。GMSNet 采用图神经网络提取节点邻域特征并输出最优节点位置。在平滑过程中，我们还引入容错机制以防止 GMSNet 生成负体积单元。凭借轻量级模型，GMSNet 能有效平滑具有不同度数的网格节点且不受输入数据顺序影响。我们还开发了新颖的损失函数 MetricLoss，以消除对高质量网格的需求，从而在训练中提供稳定且快速的收敛。我们在二维三角形网格上将 GMSNet 与常用网格平滑方法进行比较。实验结果表明，GMSNet 以先前模型 5% 的模型参数量取得了出色的网格平滑性能，并达到比基于优化的平滑快 13.56 倍的速度。
引用
@article{arxiv.2311.12815,
title = {Proposing an intelligent mesh smoothing method with graph neural networks},
author = {Zhichao Wang and Xinhai Chen and Junjun Yan and Jie Liu},
journal= {arXiv preprint arXiv:2311.12815},
year = {2024}
}