在航空航天设计、汽车风洞试验、生物医药流体模拟等领域，计算流体动力学（CFD）是“看不见的引擎”。而CFD的精度，很大程度上取决于网格质量——就像拼图的每一块是否严丝合缝。传统网格平滑方法要么快但粗糙（如拉普拉斯平滑，易产生“畸形网格”），要么精准但慢如“蜗牛”（优化-based方法，处理一个节点需毫秒级时间）。近日，国防科技大学团队在《Frontiers of Information Technology & Electronic Engineering》发表研究，提出基于图神经网络（GNN）的智能网格平滑模型GMSNet，将处理速度提升13.56倍，参数规模仅为同类模型的5%，让CFD模拟从“等半天”迈入“实时算”时代。

网格平滑：CFD模拟的“精细活”与“老大难”

网格是CFD的“数字画布”——将计算区域分割成数百万个三角形或四面体单元，流体运动方程的求解依赖每个单元的形状是否规则。想象一下，若某个三角形单元的角度接近180°（“扁平状”），模拟结果可能出现巨大误差；而角度过小（“针尖状”）甚至会导致计算崩溃。因此，网格平滑就像“给拼图修边”，通过调整节点位置，让单元角度、纵横比等指标达标。

传统方法陷入“两难”：启发式方法（如拉普拉斯平滑）将节点移到邻居平均值位置，速度快但可能把凸多边形变成凹多边形，产生“负体积单元”；优化-based方法通过迭代优化目标函数（如最小化纵横比），精度高但每个节点需迭代20次以上，处理百万节点网格需数小时。此前AI尝试（如NN-Smoothing）需为不同节点度训练7个模型，数据增强繁琐，参数规模庞大，难以落地。

GMSNet：给AI装“网格导航系统”和“抗干扰训练”

GMSNet的突破在于用GNN“读懂”网格拓扑，像“老司机”熟悉每条街道一样理解节点间的连接关系。其核心是两个“智能模块”：

动态重加权模块（DRM）：让AI学会“看邻居下菜碟”

网格节点的优化位置取决于邻居节点的坐标，就像搬家时需考虑周边环境。DRM模块会动态计算每个邻居的“影响力权重”——若邻居节点形成的多边形接近正三角形，权重降低；若存在畸形单元，权重升高。这种“按需分配”机制，让模型无需人工设计规则，自动学习最优调整策略。

MetricLoss损失函数：告别“高质量网格依赖症”

传统AI方法需用优化-based方法生成“完美网格”作为标签，成本极高。GMSNet提出MetricLoss，直接将网格质量指标（如纵横比、最小角度）转化为损失值——纵横比越大（越畸形），损失越高。这种“无监督训练”避免了对标签数据的依赖，训练速度提升40%，且收敛更稳定。

此外，模型还加入“移位截断”机制：若调整后出现负体积单元，自动将移动距离减半，直到安全为止，就像“倒车雷达”防止碰撞。

实测：13.56倍速提升，翼型网格处理效率翻倍

在2D三角形网格测试中，GMSNet表现亮眼：

• 速度飞跃：处理单个节点仅需6.39×10⁻⁴秒，是优化-based方法（9.27×10⁻³秒）的13.56倍，在百万节点网格上可节省数小时；
• 质量相当：最小角度、纵横比等指标接近优化-based方法，在方形网格上平均最小角度达43.94°（理想值60°），翼型网格处理后1/q（纵横比倒数）达0.94，满足工程精度要求；
• 轻量化优势：参数规模仅150万，是NN-Smoothing模型（3160万）的5%，可在普通GPU上实时运行。

特别值得注意的是，GMSNet能处理训练时未见过的网格类型——圆形边界网格、翼型轮廓网格、管道网格均实现有效平滑，展现出强泛化能力。

未来：从2D到3D，让CFD模拟“飞入寻常百姓家”

目前GMSNet已在2D网格上验证效果，团队计划下一步扩展到3D四面体网格，并融入边缘翻转、密度调整等技术，进一步提升复杂场景适应性。这项研究不仅让航空航天、汽车研发中的CFD模拟效率提升，还可能降低生物医药（如血流模拟）、环境工程（如污染物扩散）等领域的计算门槛，让高精度流体模拟从“高端实验室专属”走向更广泛的产业应用。

来源: 信息与电子工程前沿FITEE