在航空航天設計、汽車風洞試驗、生物醫藥流體模擬等領域，計算流體動力學（CFD）是“看不見的引擎”。而CFD的精度，很大程度上取決于網格質量——就像拼圖的每一塊是否嚴絲合縫。傳統網格平滑方法要么快但粗糙（如拉普拉斯平滑，易產生“畸形網格”），要么精準但慢如“蝸牛”（優化-based方法，處理一個節點需毫秒級時間）。近日，國防科技大學團隊在《Frontiers of Information Technology & Electronic Engineering》發表研究，提出基于圖神經網絡（GNN）的智能網格平滑模型GMSNet，將處理速度提升13.56倍，參數規模僅為同類模型的5%，讓CFD模擬從“等半天”邁入“實時算”時代。

網格平滑：CFD模擬的“精細活”與“老大難”

網格是CFD的“數字畫布”——將計算區域分割成數百萬個三角形或四面體單元，流體運動方程的求解依賴每個單元的形狀是否規則。想象一下，若某個三角形單元的角度接近180°（“扁平狀”），模擬結果可能出現巨大誤差；而角度過小（“針尖狀”）甚至會導致計算崩潰。因此，網格平滑就像“給拼圖修邊”，通過調整節點位置，讓單元角度、縱橫比等指標達標。

傳統方法陷入“兩難”：啟發式方法（如拉普拉斯平滑）將節點移到鄰居平均值位置，速度快但可能把凸多邊形變成凹多邊形，產生“負體積單元”；優化-based方法通過迭代優化目標函數（如最小化縱橫比），精度高但每個節點需迭代20次以上，處理百萬節點網格需數小時。此前AI嘗試（如NN-Smoothing）需為不同節點度訓練7個模型，數據增強繁瑣，參數規模龐大，難以落地。

GMSNet：給AI裝“網格導航系統”和“抗干擾訓練”

GMSNet的突破在于用GNN“讀懂”網格拓撲，像“老司機”熟悉每條街道一樣理解節點間的連接關系。其核心是兩個“智能模塊”：

動態重加權模塊（DRM）：讓AI學會“看鄰居下菜碟”

網格節點的優化位置取決于鄰居節點的坐標，就像搬家時需考慮周邊環境。DRM模塊會動態計算每個鄰居的“影響力權重”——若鄰居節點形成的多邊形接近正三角形，權重降低；若存在畸形單元，權重升高。這種“按需分配”機制，讓模型無需人工設計規則，自動學習最優調整策略。

MetricLoss損失函數：告別“高質量網格依賴癥”

傳統AI方法需用優化-based方法生成“完美網格”作為標簽，成本極高。GMSNet提出MetricLoss，直接將網格質量指標（如縱橫比、最小角度）轉化為損失值——縱橫比越大（越畸形），損失越高。這種“無監督訓練”避免了對標簽數據的依賴，訓練速度提升40%，且收斂更穩定。

此外，模型還加入“移位截斷”機制：若調整后出現負體積單元，自動將移動距離減半，直到安全為止，就像“倒車雷達”防止碰撞。

實測：13.56倍速提升，翼型網格處理效率翻倍

在2D三角形網格測試中，GMSNet表現亮眼：

  • 速度飛躍：處理單個節點僅需6.39×10??秒，是優化-based方法（9.27×10?3秒）的13.56倍，在百萬節點網格上可節省數小時；
  • 質量相當：最小角度、縱橫比等指標接近優化-based方法，在方形網格上平均最小角度達43.94°（理想值60°），翼型網格處理后1/q（縱橫比倒數）達0.94，滿足工程精度要求；
  • 輕量化優勢：參數規模僅150萬，是NN-Smoothing模型（3160萬）的5%，可在普通GPU上實時運行。

特別值得注意的是，GMSNet能處理訓練時未見過的網格類型——圓形邊界網格、翼型輪廓網格、管道網格均實現有效平滑，展現出強泛化能力。

未來：從2D到3D，讓CFD模擬“飛入尋常百姓家”

目前GMSNet已在2D網格上驗證效果，團隊計劃下一步擴展到3D四面體網格，并融入邊緣翻轉、密度調整等技術，進一步提升復雜場景適應性。這項研究不僅讓航空航天、汽車研發中的CFD模擬效率提升，還可能降低生物醫藥（如血流模擬）、環境工程（如污染物擴散）等領域的計算門檻，讓高精度流體模擬從“高端實驗室專屬”走向更廣泛的產業應用。

來源: 信息與電子工程前沿FITEE