[论文解读] Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows

Michele Quattromini, Michele Alessandro Bucci+2 more|arXiv (Cornell University)|Nov 14, 2024

Model Reduction and Neural Networks被引用 2

一句话总结

本文提出一种物理约束图神经网络（PhyCo-GNN），通过伴随法优化将图神经网络与雷诺平均纳维-斯托克斯（RANS）方程相结合，以提升流体动力学中平均流场的重建精度。通过将RANS导出的梯度嵌入GNN训练过程，该方法确保了物理一致性，并在稀疏数据恢复、去噪和补全任务中实现了卓越的准确性，即使在训练数据有限的情况下也优于纯数据驱动模型。

ABSTRACT

Despite their widespread use, purely data-driven methods often suffer from overfitting, lack of physical consistency, and high data dependency, particularly when physical constraints are not incorporated. This study introduces a novel data assimilation approach that integrates Graph Neural Networks (GNNs) with optimisation techniques to enhance the accuracy of mean flow reconstruction, using Reynolds-Averaged Navier-Stokes (RANS) equations as a baseline. The method leverages the adjoint approach, incorporating RANS-derived gradients as optimisation terms during GNN training, ensuring that the learned model adheres to physical laws and maintains consistency. Additionally, the GNN framework is well-suited for handling unstructured data, which is common in the complex geometries encountered in Computational Fluid Dynamics (CFD). The GNN is interfaced with the Finite Element Method (FEM) for numerical simulations, enabling accurate modelling in unstructured domains. We consider the reconstruction of mean flow past bluff bodies at low Reynolds numbers as a test case, addressing tasks such as sparse data recovery, denoising, and inpainting of missing flow data. The key strengths of the approach lie in its integration of physical constraints into the GNN training process, leading to accurate predictions with limited data, making it particularly valuable when data are scarce or corrupted. Results demonstrate significant improvements in the accuracy of mean flow reconstructions, even with limited training data, compared to analogous purely data-driven models.

研究动机与目标

• 为解决纯数据驱动模型在流场重建中的局限性，如过拟合、缺乏物理一致性以及对数据的高依赖性。
• 通过在图神经网络训练中整合物理约束，提升计算流体动力学中的数据同化能力。
• 通过混合GNN-RANS框架，实现在稀疏、噪声或不完整测量数据下的准确平均流场重建。
• 通过伴随法优化嵌入物理定律，减少对大规模数据集的依赖。
• 在多种场景下验证该方法的鲁棒性，包括插值、外推以及对未见雷诺数的泛化能力。

提出的方法

• 该方法采用图神经网络（GNN）建模RANS闭合项，节点特征源自非结构化有限元法（FEM）网格。
• 通过解析求解与自动微分相结合的方式求解伴随方程，以计算提供GNN训练过程物理一致性的梯度。
• 采用结合数据拟合误差与物理信息正则化的损失函数训练GNN，利用伴随场提供的梯度作为优化信号。
• 将框架与FEM求解器集成，以在复杂CFD几何中常见的非结构化区域实现精确模拟。
• 通过Optuna优化隐藏维度（dh=35）、层数（k=40）和学习率（LR=3×10⁻³）等超参数，以实现稳健性能。
• 该方法支持多种任务：稀疏数据恢复、去噪与补全，性能通过2-范数相对误差进行评估。

实验结果

研究问题

• RQ1 基于RANS与伴随方程的物理信息梯度训练的GNN模型，是否能在平均流场重建中超越纯数据驱动模型？
• RQ2 PhyCo-GNN框架在推理阶段对未见雷诺数（尤其在插值与外推场景下）的泛化能力如何？
• RQ3 在数据稀缺、噪声或区域缺失条件下，伴随导出梯度的引入在多大程度上提升了重建精度？
• RQ4 FEM网格化与GNN的集成在非结构化复杂几何上的性能提升机制是什么？
• RQ5 何种超参数配置能在GNN训练过程中实现精度与计算效率的最佳权衡？

主要发现

• 与仅使用监督学习的GNN基线相比，PhyCo-GNN在低数据场景下显著提升了平均流场重建的准确性。
• 在所有测试案例中，相对2-范数误差均显著降低，涵盖稀疏数据恢复、去噪与补全任务。
• 该方法展现出强大的泛化能力，在外推至未见雷诺数（如双圆柱案例中的Re=90）时仍保持高精度。
• 训练过程中使用伴随导出梯度确保了物理一致性，降低了对大规模训练数据集的依赖。
• 通过Optuna进行的超参数调优获得了一个稳定配置（dh=35, k=40, LR=3×10⁻³），该配置在无需重新优化的情况下即可在多个学习任务中良好泛化。
• 该框架能有效处理非结构化网格与复杂几何，凸显GNN在具有不规则域的CFD应用中的适用性。