在航空航天飞行器设计、汽车空气动力学测试中，计算流体动力学（CFD）是模拟流体流动的“数字显微镜”。但你可能不知道，这些高精度模拟的背后，网格质量是关键——如果网格节点像“撒芝麻”般分布不均，或单元形状扭曲如“揉皱的纸团”，模拟结果可能偏差甚至失效。传统优化方法虽能“捋顺”网格，却因计算耗时成了“卡脖子”环节。

近日，国防科技大学团队提出基于图神经网络（GNN）的智能网格平滑模型GMSNet，无需依赖高成本的“标准答案”网格，仅用同类模型5%的参数，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》。

网格平滑：CFD的“隐形门槛”

网格是CFD的基础——它将连续的流体空间离散成无数小单元（如三角形、四面体），通过计算这些单元的流动特性来模拟整体。但初始生成的网格常因节点分布不均、单元形状扭曲（如“扁长三角形”），导致模拟精度下降甚至无法收敛。因此，网格平滑（调整节点位置提升质量）是CFD流程中不可或缺的一步。

传统方法分两类：一类是“快速但粗糙”的启发式方法（如拉普拉斯平滑），通过简单平均邻域节点位置调整，容易生成“负体积单元”（网格扭曲到“穿模”）；另一类是“精准但慢”的优化方法，通过迭代求解优化问题提升质量，但一个节点可能需要20次迭代，效率极低。

GMSNet：给AI装上“多面手”与“安全绳”

针对这些痛点，团队设计的GMSNet有三大“杀手锏”：

第一，图神经网络“通吃”复杂网格。网格天然是图结构（节点-边连接），但传统神经网络处理不同“度数”（邻域节点数量）的网格时，需为每种度数训练独立模型。GMSNet利用图神经网络（GNN）的特性，自动提取节点邻域特征，一个模型就能处理所有度数节点，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。

第二，“移位截断”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（比如先移1厘米，不行就移0.5厘米），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。

第三，“质量分”代替“标准答案”。传统神经网络需要大量高质量网格当“老师”，生成成本极高。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，像“智能教练”一样稳定引导模型学习，避免训练时“分数”波动过大。

实测：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，甚至人工引入的扭曲网格，GMSNet也能有效“捋顺”。

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