基于混合神经网络的非定常流场预测方法

摘要

在众多复杂物理系统的模拟中，基于网格离散化求解偏微分方程是一项关键而耗时的任务.为了克服这一挑战，本文提出了一种创新的复合神经网络，称为GRNet，它结合了图神经网络（GNN）和循环神经网络（RNN）. GNN模型被训练以学习由Navier-Stokes方程控制的网格节点之间的物理规律. RNN网络被训练以揭示网格节点的时间依赖性.本文所提出的模型可以有效地利用高分辨率网格的多尺度优势，仅需少量的起始帧，便能快速精确地预测后续流场.我们广泛探究了GRNet在多个复杂的多尺度流场预测任务中的性能，例如圆柱和翼型.与传统的数值模拟结果相比，我们的模型不仅保持了出色的准确性，而且运行速度令人印象深刻.与基准模型（GN）相比，GRNet在最小化累积预测误差方面表现出明显优势.

关键词

混合神经网络 / 图神经网络 / 循环神经网络 / 流场预测 / 非定常