En la dinámica computacional de fluidos, los métodos de suavizado de malla se utilizan normalmente para optimizar la calidad de la malla y lograr una simulación numérica de alta precisión. Entre estos métodos, el método de suavizado basado en la optimización se utiliza ampliamente para el suavizado de malla de alta calidad, pero su costo computacional es relativamente alto. Algunos estudios pioneros han intentado utilizar un método de aprendizaje supervisado para aprender métodos de suavizado a partir de muestras de malla de alta calidad para mejorar su eficiencia de suavizado. Sin embargo, este método presenta algunas restricciones, como la dificultad para tratar problemas de nodos de diferentes grados y la necesidad de mejorar los datos para resolver el problema del orden de entrada de los nodos de la malla. Además, la dependencia de los datos de malla de alta calidad limita la aplicabilidad de este método. Para resolver estos problemas, este artículo propone un modelo de red neuronal ligero GMSNet para lograr un suavizado inteligente de la malla. GMSNet utiliza una red neuronal gráfica para extraer las características de los nodos vecinos y producir las posiciones óptimas de los nodos. En el proceso de suavizado, este artículo también introduce un mecanismo de tolerancia para evitar que GMSNet genere elementos de volumen negativos. Gracias a la arquitectura ligera del modelo GMSNet, puede suavizar eficazmente los nodos de malla de diferentes grados y no verse afectado por el orden de entrada de los datos. Además, este artículo también propone una nueva función de pérdida Metric Loss para eliminar la dependencia de los datos de malla de alta calidad y promover la estabilidad y la rápida convergencia del aprendizaje. Este artículo compara GMSNet con métodos comunes de suavizado de malla en una malla no estructurada bidimensional. Los resultados experimentales muestran que, en comparación con modelos anteriores, GMSNet tiene un excelente rendimiento de suavizado de malla de alta calidad con solo el 5% de sus parámetros y una velocidad de suavizado 13.56 veces mayor en comparación con los métodos basados en la optimización.

malla no estructurada; suavizado de malla; redes neuronales gráficas; métodos de suavizado optimizados