机构名称：
¥ 1.0
网格适应在CFD中至关重要，对于动态完善并优化计算网格，增强了捕获复杂流动特征的精度。基于度量的网格适应性，虽然在数学上健壮，但通常依赖于伴随解决方案来进行误差估计，这可以显着增加计算需求。为了应对这一挑战，这项研究旨在开发一种机器学习驱动的方法来改编CFD，从而消除了对计算强度密集的伴随解决方案的需求。在追求此目标时，我们采用集合模型和图形卷积网络（GCN）来预测在适应过程中每个单元格的局部误差估计器。我们的发现表明，GCNS胜过各向同性网格的集合模型，而两个模型在各向异性网格中产生相似的结果。这些结果表明，我们的机器学习驱动的方法消除了求解伴随方程的误差估计的需要，为在复杂的流动方案中为更有效的CFD模拟铺平了道路。
机器学习驱动的基于指标的网状改编
主要关键词
相关文件推荐
