SRL辅助AFM：基于监督与强化学习辅助推进波前法生成平面非结构四边形网格

高质量网格生成是精确有限元分析的基础。由于庞大的内部顶点搜索空间和复杂的初始边界，复杂区域的网格生成需要大量人工处理，长期以来被视为整个建模与分析过程中最具挑战性且最耗时的瓶颈。本文提出一种名为“SRL辅助AFM”的新型计算框架，通过将推进波前法（advancing front method）与神经网络相结合来划分平面几何网格，这些神经网络利用“策略网络（policy networks）”选择参考顶点并更新波前边界。这些深度神经网络通过结合监督学习与强化学习的独特流水线进行训练，以迭代提升网格质量。首先，我们通过在方形区域内随机采样点并顺序连接来生成不同的初始边界。这些边界用于获取输入网格并在监督学习模块中提取训练数据集。随后，我们利用针对特殊需求设计的奖励函数（如提升网格质量、控制奇异点（extraordinary points）的数量与分布）迭代改进强化学习模型性能。我们提出的监督学习神经网络在预测商业软件结果上达到高于98%的准确率。最终的强化学习神经网络可自动为具有尖锐特征和边界层的复杂平面区域生成高质量四边形网格。