Predicting Transonic Flowfields in Non-Homogeneous Unstructured Grids Using Autoencoder Graph Convolutional Networks

要約

この論文は、数値流体力学 (CFD) で一般的に使用される、不均一な非構造化グリッドによってもたらされる課題への対処に焦点を当てています。
CFD シナリオでの普及により、低次数モデルを生成するための革新的なアプローチの探求が促進されました。
私たちのアプローチの中核は、幾何学的な深層学習、特にグラフ畳み込みネットワーク (GCN) の利用に集中しています。
新しい Autoencoder GCN アーキテクチャは、情報を遠くのノードに伝播し、影響力のあるポイントを強調することで予測精度を向上させます。
このアーキテクチャは、GCN レイヤーとエンコード/デコード モジュールを備えており、圧力勾配値に基づいて次元を削減します。
オートエンコーダー構造により、主要な特徴を識別するネットワーク機能が向上し、より堅牢で正確な予測モデルに貢献します。
提案された方法論を検証するために、翼のみのモデルと翼と胴体の構成という 2 つの異なるテスト ケースを分析しました。
2 次元パラメトリック空間内での定常状態の分布量の正確な再構成は、実装されたアプローチの信頼性と多用途性を強調します。

要約(オリジナル)

This paper focuses on addressing challenges posed by non-homogeneous unstructured grids, commonly used in Computational Fluid Dynamics (CFD). Their prevalence in CFD scenarios has motivated the exploration of innovative approaches for generating reduced-order models. The core of our approach centers on geometric deep learning, specifically the utilization of graph convolutional network (GCN). The novel Autoencoder GCN architecture enhances prediction accuracy by propagating information to distant nodes and emphasizing influential points. This architecture, with GCN layers and encoding/decoding modules, reduces dimensionality based on pressure-gradient values. The autoencoder structure improves the network capability to identify key features, contributing to a more robust and accurate predictive model. To validate the proposed methodology, we analyzed two different test cases: wing-only model and wing–body configuration. Precise reconstruction of steady-state distributed quantities within a two-dimensional parametric space underscores the reliability and versatility of the implemented approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google