En hydrodynamique numérique, les méthodes de lissage de maillage sont généralement utilisées pour optimiser la qualité du maillage afin d'obtenir une simulation numérique de haute précision. Parmi ces méthodes, la méthode de lissage basée sur l'optimisation est largement utilisée pour le lissage de maillage de haute qualité, mais son coût de calcul est relativement élevé. Certaines études de pointe ont tenté d'utiliser une méthode d'apprentissage supervisé pour apprendre les méthodes de lissage à partir d'échantillons de maillage de haute qualité afin d'améliorer son efficacité de lissage. Cependant, cette méthode présente certaines restrictions, telles que la difficulté de traiter les nœuds de degrés différents, ainsi que la nécessité d'améliorer les données pour résoudre le problème de l'ordre d'entrée des nœuds de maillage. De plus, la dépendance aux données de maillage de haute qualité limite l'applicabilité de cette méthode. Pour résoudre ces problèmes, cet article propose un modèle de réseau neuronal léger GMSNet pour réaliser un lissage intelligent du maillage. GMSNet utilise un réseau neuronal graphique pour extraire les caractéristiques des nœuds voisins et produire les positions optimales des nœuds. Dans le processus de lissage, cet article introduit également un mécanisme de tolérance pour éviter que GMSNet ne génère des éléments de volume négatifs. Grâce à l'architecture légère du modèle GMSNet, il peut lisser efficacement les nœuds de maillage de degrés différents et ne pas être affecté par l'ordre d'entrée des données. De plus, cet article propose également une nouvelle fonction de perte Metric Loss pour éliminer la dépendance aux données de maillage de haute qualité et favoriser la stabilité et la convergence rapide de l'apprentissage. Cet article compare GMSNet avec des méthodes courantes de lissage de maillage sur un maillage non structuré bidimensionnel. Les résultats expérimentaux montrent que, par rapport aux modèles précédents, GMSNet présente d'excellentes performances de lissage de maillage de haute qualité avec uniquement 5% de ses paramètres et une vitesse de lissage 13,56 fois plus rapide par rapport aux méthodes basées sur l'optimisation.

maillage non structuré; lissage de maillage; réseaux neuronaux graphiques; méthodes de lissage optimisées