[论文解读] Direct Prediction of Steady-State Flow Fields in Meshed Domain with Graph Networks

Lukas Harsch, Stefan Riedelbauch|arXiv (Cornell University)|May 6, 2021

Computer Graphics and Visualization Techniques参考文献 12被引用 8

一句话总结

本文提出了一种基于图神经网络（GNN）的模型，可直接预测网格化域中的稳态流场，而无需依赖物理求解器。通过利用EdgeConv层和全局特征池化，该模型同时捕捉了局部网格几何结构与全局系统结构，在多种几何形状下实现了高精度的流场预测，其性能优于现有方法（如MeshGraphNets）在复杂通道流中的表现。

ABSTRACT

We propose a model to directly predict the steady-state flow field for a given geometry setup. The setup is an Eulerian representation of the fluid flow as a meshed domain. We introduce a graph network architecture to process the mesh-space simulation as a graph. The benefit of our model is a strong understanding of the global physical system, while being able to explore the local structure. This is essential to perform direct prediction and is thus superior to other existing methods.

研究动机与目标

• 实现对复杂网格化几何形状中稳态流场的快速、直接预测，无需迭代求解器。
• 提升在各种流体域配置（包括不规则和结构化网格）下的泛化能力。
• 消除对特定领域物理求解器或数值格式在推理过程中的依赖。
• 增强模型对局部网格特征与全局几何结构的理解，以实现准确的流场预测。
• 在具有挑战性的、未见过的几何形状（如通道流）中展示优越性能，而先前的方法在此类场景下会失效。

提出的方法

• 将网格化流体域表示为双向图，其中节点代表网格顶点，边代表连接关系。
• 节点特征包括空间坐标、边界条件（如马赫数、迎角）以及材料类型。
• EdgeConv层利用相对位置向量和可学习的MLP处理局部邻域信息，以更新节点表示。
• 通过在局部边特征上进行最大池化，提取全局特征描述符，使模型能够理解整体系统结构。
• 最终的预测头通过多层感知机解码连接后的局部与全局特征，生成速度场和压力场。
• 该架构在CFD模拟数据上端到端训练，直接从网格几何形状和边界条件预测稳态流场。

实验结果

研究问题

• RQ1 深度学习模型能否在不使用物理求解器的情况下，直接预测网格化域中的稳态流场？
• RQ2 同时引入局部网格特征与全局几何结构如何提升预测精度？
• RQ3 该模型是否能泛化到未见过的复杂几何形状（如通道流），而此前的方法在此类场景下会失效？
• RQ4 与现有模型（如MeshGraphNets）相比，所提出的GNN架构在准确性和鲁棒性方面表现如何？
• RQ5 在不规则网格上，引入绝对节点位置和全局池化在多大程度上提升了模型性能？

主要发现

• 在最复杂的数据集（Channel）上，所提模型实现了最低的RMSE，优于基础GCN和MeshGraphNets，包括其扩展变体（Abs和Abs+Pool）。
• 在Airfoil和AirfoilRot数据集上，尽管在Airfoil上的RMSE略高于MeshGraphNets（Abs），但模型生成的流场在视觉上与真实值无法区分。
• 该模型在未见过的通道几何形状上表现出良好的泛化能力，而即使是最优的MeshGraphNets变体（Abs+Pool）也在此类场景下失效，而本方法仍保持低误差。
• 全局特征池化对于复杂几何形状下的高性能至关重要，因为缺少该机制的模型在Channel数据集上完全失效。
• 该模型无需预先知晓物理参数（如入流速度或材料属性），因此可广泛适用于各种流体系统。
• 该方法与网格结构无关，在结构化和高度不规则的网格上均表现良好，展现出强大的泛化能力。