In der numerischen Strömungsmechanik werden Gitterglättungsmethoden in der Regel zur Optimierung der Gitterqualität verwendet, um eine hochpräzise numerische Simulation zu erreichen. Unter diesen Methoden wird die optimierungsbasierte Glättungsmethode häufig für die Glättung hochwertiger Gitter verwendet, aber ihre Rechenkosten sind relativ hoch. Einige wegweisende Studien haben versucht, eine überwachte Lernmethode anzuwenden, um aus hochwertigen Gitterbeispielen Glättungsmethoden zu lernen, um ihre Glättungseffizienz zu verbessern. Diese Methode weist jedoch einige Einschränkungen auf, wie zum Beispiel die Schwierigkeit, Probleme mit Knoten unterschiedlicher Grade zu behandeln und die Notwendigkeit zur Verbesserung der Daten, um das Problem der Eingangsreihenfolge von Gitterknoten zu lösen. Darüber hinaus beschränkt die Abhängigkeit von hochwertigen Gitterdaten die Anwendbarkeit dieser Methode. Zur Lösung dieser Probleme schlägt dieser Artikel ein leichtgewichtiges neuronales Netzmodell GMSNet vor, um eine intelligente Gitterglättung zu erreichen. GMSNet verwendet ein graphenbasiertes neuronales Netzwerk zur Extraktion von Merkmalen von benachbarten Knoten und zur Ausgabe optimaler Knotenpositionen. Im Glättungsprozess wird in diesem Artikel auch ein Fehlertoleranzmechanismus eingeführt, um zu verhindern, dass GMSNet negative Volumenelemente erzeugt. Dank der leichten Modellarchitektur kann GMSNet Knoten verschiedener Grade effektiv glätten und wird nicht von der Eingangsreihenfolge der Daten beeinflusst. Darüber hinaus schlägt dieser Artikel auch eine neue Verlustfunktion Metric Loss vor, um die Abhängigkeit von hochwertigen Gitterdaten zu beseitigen und die Stabilität und schnelle Konvergenz des Trainings zu fördern. Dieser Artikel vergleicht GMSNet mit gängigen Gitterglättungsmethoden auf einem zweidimensionalen unstrukturierten Gitter. Die experimentellen Ergebnisse zeigen, dass GMSNet im Vergleich zu früheren Modellen eine ausgezeichnete Leistung bei der Glättung hochwertiger Gitter aufweist, und zwar nur mit 5 % seiner Parameter und einer Glättungsgeschwindigkeit, die 13,56-mal schneller ist als optimierungsbasierte Methoden.

Unstrukturiertes Gitter; Gitterglättung; graphenbasierte neuronale Netzwerke; optimierte Glättungsmethoden