[论文解读] Fluid Simulation System Based on Graph Neural Network

Qiang Liu, Wei Zhu+3 more|arXiv (Cornell University)|Feb 25, 2022

Computational Physics and Python Applications被引用 6

一句话总结

该论文提出了一种基于图神经网络（GNN）的流体模拟系统，将计算域建模为结构化图，利用自适应采样和注意力机制，以高精度和高速度预测流场。该系统在不同雷诺数下的圆柱绕流模拟数据上进行训练，相比传统CFD求解器实现了2–3个数量级的速度提升，同时具备超越训练分布的泛化能力。

ABSTRACT

Traditional computational fluid dynamics calculates the physical information of the flow field by solving partial differential equations, which takes a long time to calculate and consumes a lot of computational resources. We build a fluid simulation simulator based on the graph neural network architecture. The simulator has fast computing speed and low consumption of computing resources. We regard the computational domain as a structural graph, and the computational nodes in the structural graph determine neighbor nodes through adaptive sampling. Building deep learning architectures with attention graph neural networks. The fluid simulation simulator is trained according to the simulation results of the flow field around the cylinder with different Reynolds numbers. The trained fluid simulation simulator not only has a very high accuracy for the prediction of the flow field in the training set, but also can extrapolate the flow field outside the training set. Compared to traditional CFD solvers, the fluid simulation simulator achieves a speedup of 2-3 orders of magnitude. The fluid simulation simulator provides new ideas for the rapid optimization and design of fluid mechanics models and the real-time control of intelligent fluid mechanisms.

研究动机与目标

• 解决传统CFD求解器在流体动力学模拟中计算成本高、运行时间长的问题。
• 开发一种数据驱动的流体模拟系统，在大幅降低计算资源消耗的同时保持高精度。
• 实现对训练数据分布之外的泛化能力，包括对未见雷诺数的外推。
• 为实时流体力学优化和智能控制系统提供一种快速、可扩展的替代方案。

提出的方法

• 将计算域表示为结构化图，其中每个节点对应流场中的一个计算点。
• 通过自适应采样确定邻近节点，实现基于空间邻近性和流场特性的动态高效图构建。
• 采用基于注意力机制的图神经网络架构，从模拟数据中学习复杂的流体动力学模式。
• 在不同雷诺数下圆柱绕流模拟的流场数据上进行监督学习训练。
• GNN直接从空间坐标和边界条件预测速度场和压力场。
• 该架构设计用于泛化到未见的雷诺数，实现对训练范围之外的外推。

实验结果

研究问题

• RQ1 与传统CFD求解器相比，基于GNN的模型能否在显著降低计算成本的前提下实现高精度的流场预测？
• RQ2 该模型在训练分布之外的流动条件（如未见雷诺数）下泛化能力如何？
• RQ3 自适应采样在多大程度上提升了基于图的流体模拟的效率和精度？
• RQ4 GNN中的注意力机制能否有效捕捉非结构化流场中的复杂流体动力学模式？

主要发现

• 所提出的基于GNN的模拟器相比传统CFD求解器实现了2–3个数量级的速度提升。
• 该模型在分布内和分布外的流场中均保持高预测精度，包括对未见雷诺数的外推。
• 自适应采样实现了高效的邻居选择，在不损失精度的前提下提升了计算效率。
• GNN架构中的注意力机制有效捕捉了流场中的长程依赖关系和复杂流动结构。
• 该系统表现出强大的泛化能力，适用于流体设计和控制中的实时应用。