В вычислительной гидродинамике методы сглаживания сетки обычно применяются для оптимизации качества сетки, чтобы достичь высокоточного численного моделирования. Среди этих методов широко используется метод сглаживания на основе оптимизации для высококачественного сглаживания сетки, но его вычислительные затраты относительно высоки. Некоторые передовые исследования пытались применить метод обучения с учителем для изучения методов сглаживания из образцов высококачественной сетки для улучшения его эффективности сглаживания. Однако этот метод имеет некоторые ограничения, такие как трудность обработки проблемы узлов различных степеней, а также необходимость усовершенствования данных для решения проблемы порядка ввода узлов сетки. Кроме того, зависимость от данных высококачественной сетки ограничивает применимость этого метода. Для решения этих проблем в данной статье предлагается легковесная модель нейронной сети GMSNet для достижения интеллектуального сглаживания сетки. GMSNet использует графовую нейронную сеть для извлечения признаков соседних узлов и вывода оптимальных позиций узлов. В процессе сглаживания в настоящей статье также введен механизм контроля ошибок для предотвращения создания GMSNet отрицательных элементов объема. Благодаря легковесной архитектуре модели GMSNet может эффективно сглаживать узлы сетки различных степеней и не подвергаться влиянию порядка ввода данных. Кроме того, в данной статье предлагается также новая функция потерь Metric Loss для исключения зависимости от данных высококачественной сетки и содействия стабильному и быстрому схождению обучения. Данная статья сравнивает GMSNet с популярными методами сглаживания сетки на двухмерной неструктурированной сетке. Экспериментальные результаты показывают, что по сравнению с предыдущими моделями GMSNet обладает отличной производительностью сглаживания сетки высокого качества лишь с 5% его параметров и скоростью сглаживания в 13,56 раз больше по сравнению с методами оптимизации.

неструктурированная сетка; сглаживание сетки; графовые нейронные сети; методы оптимизации сглаживания