在飛機設計的風洞試驗中，0.1秒的氣流模擬誤差可能導致機翼結構隱患；在新冠病毒傳播模擬中，網格單元的畸形甚至會讓預測結果失真——計算流體動力學（CFD）的精度，取決于網格是否“規整”。然而，傳統網格平滑技術就像“老工匠修表”：優化-based方法耗時（處理一個節點需9毫秒），啟發式方法粗糙（易產生“負體積單元”）。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GMSNet模型，通過“動態鄰居感知”和“無監督訓練”，讓網格平滑速度提升13.56倍，參數規模僅為同類模型的5%，為航空航天、生物醫藥等領域的CFD模擬裝上“加速器”。

網格為何要“平滑”？CFD的“拼圖游戲”

想象將三維空間切割成數百萬個三角形“拼圖塊”，每個塊的角度、邊長直接影響流體方程的求解精度。若某個三角形的內角接近180°（“扁平狀”），模擬出的氣流速度可能偏差30%以上；而角度過小（“針尖狀”）會導致計算崩潰。網格平滑技術就是“拼圖修邊師”，通過微調節點位置，讓每個單元的角度、縱橫比達標。

傳統方法陷入“兩難困境”：拉普拉斯平滑像“粗暴平均”，將節點移到鄰居坐標均值處，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方法則像“慢工出細活”，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，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，實際工程中難以落地。

GMSNet三大“黑科技”：讓AI讀懂網格拓撲

圖神經網絡（GNN）：給AI裝“空間感知力”

網格本質是“節點-邊”構成的圖結構，GMSNet將每個節點及其鄰居視為子圖，通過圖卷積層提取拓撲特征——就像快遞員根據周邊街道布局優化路線。這種設計讓模型不受節點輸入順序影響，單個模型即可處理不同連接度的節點，無需數據增強。

MetricLoss損失函數：告別“完美網格”依賴

傳統AI需用優化-based方法生成“標簽網格”，成本極高。GMSNet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”讓模型在沒有完美標簽的情況下快速收斂，訓練效率提升40%。

移位截斷機制：防止“越修越壞”

若節點移動后產生負體積單元（如三角形翻折），模型會自動將移動距離減半，直到安全為止——類似倒車雷達檢測到障礙物時自動減速，確保網格調整“只變好，不變壞”。

實測：13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展現“快準穩”優勢：

  • 速度碾壓：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，百萬節點網格處理時間從3小時縮至13分鐘；
  • 質量媲美：方形網格平均最小角度達43.94°（理想值60°），翼型網格縱橫比倒數（1/q）達0.94，接近優化-based方法水平；
  • 泛化性強：在訓練時未見過的圓形、管道網格上仍有效，甚至能修復人工故意扭曲的“病態網格”。

更關鍵的是，GMSNet參數僅150萬，是NN-Smoothing模型（3160萬）的5%，可在普通GPU上實時運行，打破“高精度必耗算力”的魔咒。

從實驗室到工廠：CFD模擬“飛入尋常百姓家”

目前GMSNet已在2D網格驗證效果，團隊計劃擴展到3D四面體網格，并融入邊緣翻轉技術。這項技術不僅讓大飛機設計的風洞模擬效率提升，還能降低生物醫藥（如腫瘤血液流動模擬）、新能源（如電池熱管理）等領域的計算門檻。未來，當你看到天氣預報的臺風路徑更精準，或許背后就有GMSNet“撫平”的網格在默默助力。

來源: 信息與電子工程前沿FITEE