基于图神经网络的多目标流体-声学形状优化代理模型
材料科学
2025-05-26 v3
摘要
本文提出了一种基于图神经网络 (GNN) 的代理建模方法，用于流体-声学形状优化。GNN 模型将基于网格的仿真转化为计算图，从而实现对固体边界周围的压力和速度流场的全局预测。我们采用符号距离函数在由图神经网络表示的非结构化节点上隐式表示几何形状。训练好的图神经网络被用于预测各种机翼形状周围的流场。对于 300 个测试案例的压力和速度预测，中位数相对误差为 1-2%。预测的流场用于提取流体力系数和边界层的速度轮廓。然后利用边界层速度轮廓预测流场和噪声水平，从而实现将耦合流体-声学分析直接集成到形状优化算法中。通过在最小化机翼尾缝噪声的同时最大化机翼表面的气动性能，将流体-声学形状优化扩展为多目标形状优化。结果表明，优化后机翼的整体声压水平降低 13.9% (15.82 dBA)，升力系数提高 7.2%，在固定的运行条件下。所提出的基于 GNN 的集成代理建模与形状优化算法相比，在保持合理精度的同时，计算速度提升了三个数量级。基于 GNN 的代理模型为通过自适应形变实现流体-声学形状优化提供了高效的计算框架。
引用
@article{arxiv.2412.16816,
title = {The Interplay Between Electron Localization, Magnetic Order, and Jahn-Teller Distortion that Dictates LiMnO$_2$ Phase Stability},
author = {Ronald L. Kam and Luca Binci and Aaron D. Kaplan and Kristin A. Persson and Nicola Marzari and Gerbrand Ceder},
journal= {arXiv preprint arXiv:2412.16816},
year = {2025}
}