稀疏传感器下的气动流重建的图神经网络
摘要：通过从其表面感知到的物理量来外推任意几何形状周围的流体流动，以重建周围流体的特征，这是一个具有挑战性的逆问题，但如果解决了这个问题，将对许多工程应用产生重大影响。利用这种逆逻辑已经引起了人们的兴趣，因为现在普遍可用的廉价但功能强大的基于MEMS的传感器已经问世。结合创新的数据驱动方法，这些传感器可以实现对浸入式结构周围流动的重建，有利于无人机飞行/水下器械路径规划或控制、风力发电机叶片的结构健康监测等应用。在这项工作中，我们训练了深度可逆图神经网络（GNN）来执行围绕二维空气动力学形状（翼型）的流动感应（流动重建）。受最近的工作的启发，该工作表明，GNN可以是网格为基础的前向物理模拟器的强大替代品，我们实施了一种消息传递神经网络，用于根据翼型的表面压力分布同时重建压力和速度场，并以上下文向量的形式收集有用的远场特性。我们通过模拟随机但有意义的输入边界条件和翼型形状的组合生成了一个独特的计算流体动力学模拟数据集。我们展示，尽管在高雷诺湍流入流条件下重建任意翼型几何形状周围的流动面临挑战，但我们的框架能够很好地推广到未见过的情况。
作者：Gregory Duth''e, Imad Abdallah, Sarah Barber, Eleni Chatzi
论文ID：2301.03228
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-01-10