[论文解读] Graph Convolutional Neural Networks for Body Force Prediction

Francis Ogoke, Kazem Meidani+2 more|arXiv (Cornell University)|Dec 3, 2020

Model Reduction and Neural Networks参考文献 45被引用 16

一句话总结

该论文提出一种图卷积神经网络（GCNN），用于从机翼周围的非结构化、散乱的速度测量数据中预测体载荷——特别是阻力。通过将流场数据建模为具有k近邻边的图，GCNN实现了无需结构化网格的顺序不变、空间感知的推理，验证决定系数R² > 0.98，归一化均方误差NMSE < 0.01。

ABSTRACT

Many scientific and engineering processes produce spatially unstructured data. However, most data-driven models require a feature matrix that enforces both a set number and order of features for each sample. They thus cannot be easily constructed for an unstructured dataset. Therefore, a graph based data-driven model to perform inference on fields defined on an unstructured mesh, using a Graph Convolutional Neural Network (GCNN) is presented. The ability of the method to predict global properties from spatially irregular measurements with high accuracy is demonstrated by predicting the drag force associated with laminar flow around airfoils from scattered velocity measurements. The network can infer from field samples at different resolutions, and is invariant to the order in which the measurements within each sample are presented. The GCNN method, using inductive convolutional layers and adaptive pooling, is able to predict this quantity with a validation $R^{2}$ above 0.98, and a Normalized Mean Squared Error below 0.01, without relying on spatial structure.

研究动机与目标

• 解决传统机器学习在缺乏固定特征顺序和空间结构的非结构化流场数据上应用的挑战。
• 实现从复杂几何体周围稀疏、非规则分布的速度测量中准确预测全局属性（如阻力）的目标。
• 开发一种对输入测量顺序不变且能跨不同网格分辨率泛化的数据驱动框架。
• 证明基于图的深度学习在非结构化流体数据上相对于传统结构化模型（如CNN、MLP、XGBoost）的优越性。
• 建立一种可扩展的、归纳式的方法，用于流体力学中的代理建模，无需依赖空间网格假设。

提出的方法

• 将流场表示为图结构，其中每个节点对应非结构化网格上的一个速度测量点，边连接每个节点与其k个最近邻节点。
• 应用图卷积层，通过可学习滤波器聚合邻近节点的特征，实现在非规则拓扑上的局部模式检测与特征学习。
• 使用自适应池化层在保留结构信息的同时下采样图，实现多分辨率推理。
• 使用均方误差（MSE）损失训练GCNN，从局部速度场输入回归全局阻力。
• 将性能与全连接网络、CNN和梯度提升随机森林进行对比，使用基于固定节点排序的结构化特征矩阵。
• 通过k近邻方法正式定义图的构建，确保即使在非规则网格上也能保持空间一致性。

实验结果

研究问题

• RQ1 图卷积神经网络能否在无需固定网格或特征排序的情况下，有效从非结构化、散乱的速度测量中预测全局气动载荷？
• RQ2 当应用于相同的非结构化流场数据时，GCNN的性能与传统结构化机器学习模型（如CNN、MLP、XGBoost）相比如何？
• RQ3 GCNN模型对输入测量顺序的不变性程度如何？这种不变性对泛化能力和鲁棒性有何影响？
• RQ4 GCNN能否在不同网格分辨率下泛化，并在机翼层流绕流中保持高精度的阻力预测？
• RQ5 通过k-NN连接定义的图结构归纳偏差，对从稀疏场数据中学习复杂流体动力学模式有何影响？

主要发现

• GCNN的验证决定系数（R²）超过0.98，表明预测阻力与真实阻力之间具有近乎完美的相关性。
• GCNN的归一化均方误差（NMSE）低于0.01，表明在未见测试数据上具有极高的回归精度。
• GCNN在相同非结构化数据上优于所有基线模型——包括全连接网络、CNN和梯度提升随机森林。
• 该模型对输入节点顺序表现出强不变性，因其依赖图结构而非固定特征索引。
• GCNN成功在不同网格分辨率间泛化，且无需微调即可保持高精度。
• 基于图的方法能够有效从稀疏、非规则采样的速度数据中学习特征，验证了其在真实实验数据（如PIV测量）中的适用性。