在航空航天、汽车设计等领域,计算流体动力学(CFD)是模拟流体流动的关键技术。但你知道吗?CFD的精度和效率,很大程度上取决于“网格质量”——如果网格节点分布不均匀、形状扭曲,模拟结果可能偏差甚至无法收敛。传统优化方法虽能提升网格质量,却因计算耗时成了“拖后腿”的环节。
近日,国防科技大学团队提出一种基于图神经网络(GNN)的智能网格平滑方法GMSNet,无需依赖高成本的高质量标注数据,仅用5%的模型参数,就实现了比传统优化方法快13.56倍的网格平滑效率,相关成果发表于《Frontiers of Information Technology & Electronic Engineering》。
传统方法的“卡脖子”难题
网格平滑是提升网格质量的核心步骤,通过调整节点位置让网格更均匀、形状更规则。传统方法分两类:一是启发式方法(如拉普拉斯平滑),简单快速但效果有限,容易生成“负体积单元”(网格扭曲到“穿模”);二是优化方法,通过迭代求解优化问题提升质量,但计算开销大,一个节点可能需要20次迭代,效率低。
近年来,有研究尝试用神经网络模拟优化过程,但面临两大挑战:一是需要大量高质量网格作为“标准答案”,生成成本高;二是传统神经网络难以处理不同度数(邻域节点数量不同)的网格节点,需为每种度数训练独立模型,参数爆炸。
GMSNet:给AI装个“智能裁判”,动态权衡邻域信息
针对这些痛点,团队设计了GMSNet,核心创新有三:
1. 图神经网络“通吃”不同度数节点:网格天然是图结构(节点-边连接),GMSNet利用图神经网络(GNN)的特性,自动提取节点邻域特征,无需为不同度数训练多个模型,还能“无视”节点输入顺序——不管邻域节点怎么排列,结果都一样准。
2. 容错机制防“穿模”:网格平滑最怕生成负体积单元(相当于“网格打结”)。GMSNet引入“移位截断”策略:如果优化后的节点位置导致负体积,就逐步缩小移位幅度,直到网格恢复正常。实验显示,即使训练初期模型“手生”,也能快速纠正错误。
3. 无标注数据训练:用“质量分”代替“标准答案”:传统神经网络需要“正确网格”当老师,但GMSNet直接用网格质量指标(如三角形的长宽比)作为“分数”,通过最小化这个“分数”来训练模型。团队设计的“MetricLoss”损失函数,能稳定引导模型学习,避免训练时“分数”波动过大。
实验:效率与效果双超传统方法
在2D三角网格测试中,GMSNet表现亮眼:
- 效率:处理单个节点仅需约6.47×10⁻⁴秒,比优化方法快13.56倍;
- 效果:提升后的网格最小角度、最大角度等关键指标,与优化方法几乎持平,远超拉普拉斯、角度平滑等启发式方法;
- 泛化性:即使面对训练时没见过的圆形、翼型、管道等复杂网格,GMSNet也能有效提升质量,甚至对人工引入的扭曲网格“药到病除”。
未来:让AI“懂”更多网格,助力更复杂模拟
团队表示,GMSNet目前主要针对2D三角网格,未来计划扩展到3D曲面和体网格,还可能结合边翻转、密度调整等技术,进一步提升网格质量。“更高效的网格平滑,能让CFD模拟更快、更准,未来在航空航天、新能源设备设计等领域有广泛应用潜力。”
来源: 信息与电子工程前沿FITEE