[论文解读] Graph Neural Networks for Aerodynamic Flow Reconstruction from Sparse Sensing

Gregory Duthé, Imad Abdallah+2 more|arXiv (Cornell University)|Jan 9, 2023

Model Reduction and Neural Networks被引用 6

一句话总结

本文提出一种深度可逆图神经网络（GNN）框架，通过稀疏表面压力测量值，重建任意机翼形状周围的二维气动流场（压力与速度）。基于大规模CFD生成的数据集，涵盖多种机翼几何形状与湍流来流，该方法实现了高精度的流场重建与远场特性估计，其中图注意力网络（GAT）在泛化能力与保真度方面优于其他网络架构。

ABSTRACT

Sensing the fluid flow around an arbitrary geometry entails extrapolating from the physical quantities perceived at its surface in order to reconstruct the features of the surrounding fluid. This is a challenging inverse problem, yet one that if solved could have a significant impact on many engineering applications. The exploitation of such an inverse logic has gained interest in recent years with the advent of widely available cheap but capable MEMS-based sensors. When combined with novel data-driven methods, these sensors may allow for flow reconstruction around immersed structures, benefiting applications such as unmanned airborne/underwater vehicle path planning or control and structural health monitoring of wind turbine blades. In this work, we train deep reversible Graph Neural Networks (GNNs) to perform flow sensing (flow reconstruction) around two-dimensional aerodynamic shapes: airfoils. Motivated by recent work, which has shown that GNNs can be powerful alternatives to mesh-based forward physics simulators, we implement a Message-Passing Neural Network to simultaneously reconstruct both the pressure and velocity fields surrounding simulated airfoils based on their surface pressure distributions, whilst additionally gathering useful farfield properties in the form of context vectors. We generate a unique dataset of Computational Fluid Dynamics simulations by simulating random, yet meaningful combinations of input boundary conditions and airfoil shapes. We show that despite the challenges associated with reconstructing the flow around arbitrary airfoil geometries in high Reynolds turbulent inflow conditions, our framework is able to generalize well to unseen cases.

研究动机与目标

• 解决从任意机翼上稀疏表面压力测量值重建完整流场的逆问题。
• 在高雷诺数湍流来流条件下实现鲁棒的流场重建，并具备对未见几何形状的泛化能力。
• 从局部边界数据同步估计全局远场流场背景（速度、迎角、湍流强度）。
• 通过利用具有消息传递机制的深度可逆GNN，克服大规模网格图与局部输入带来的挑战。
• 开发一种灵活、数据驱动的框架，适用于工程中更广泛的基于网格的逆物理问题。

提出的方法

• 从非结构化CFD网格构建图表示，包含流体节点（$\mathcal{V}_f$）与机翼边界节点（$\mathcal{V}_a$），以网格连接关系作为边（$\mathcal{E}$）。
• 训练一种分组可逆处理器GNN，通过图内消息传递将边界信息传播至流体节点，以估计 $\hat{\mathcal{V}}_f = \mathscr{F}(\mathcal{V}_a, \mathcal{E}, \mathcal{U}_{\text{in}})$。
• 采用可逆架构以缓解深度GNN中的梯度消失与内存问题，从而支持深层网络训练，实现远距离信息传播。
• 将图级上下文向量 $\mathcal{U}_{\text{in}}$ 作为输入特征，以提升全局流场估计性能。
• 采用端到端训练方式，损失函数最小化预测结果与CFD模拟中真实压力与速度场之间的差异。
• 在可逆框架内评估多种GNN变体（GAT、GIN、GCN），以比较重建质量与泛化能力。

实验结果

研究问题

• RQ1 深度可逆GNN能否有效从任意机翼几何形状的稀疏表面压力测量值中重建高保真度的二维流场？
• RQ2 该模型在未见机翼形状与训练数据中未包含的湍流来流条件下的泛化能力如何？
• RQ3 在相同的训练与推理设置下，哪种GNN架构（如GAT、GIN、GCN）能实现最准确且鲁棒的流场重建？
• RQ4 该模型在多大程度上能从局部边界数据推断全局远场流场特性（如速度、迎角、湍流强度）？
• RQ5 架构选择（如可逆性与消息传递深度）如何影响在大规模稀疏网格图中的性能与泛化能力？

主要发现

• 所提出的可逆GNN框架能够以高精度重建机翼周围的压强与速度场，即使在高雷诺数湍流来流条件下亦表现良好。
• revGAT模型在整体重建质量上表现最佳，相比revGIN与revGCN，产生的伪影更少，流场模式更准确。
• 机翼前缘附近的流场特征被高保真度重建，而随着距离机翼增加，精度因信息传播限制而下降。
• 模型能准确预测远场流速与迎角，尤其在小迎角时表现优异；但因湍流强度对表面压力影响间接，其估计能力较弱。
• GIN变体在捕捉分离流特征（如长尾迹）方面表现更优，表明其在复杂流态下具有架构特异性优势。
• 尽管图规模庞大（平均约55,000个节点）且输入为局部数据，该框架仍展现出对未见机翼几何形状与边界条件的强大泛化能力。