使用自编码图卷积网络预测非均匀非结构化网格中的超音速流场

本研究结合自动编码器和生成对抗网络，提出了一种新方法以生成计算流体动力学结果。

该方法具有降低空气动力学预测时间和成本的潜力，为计算流体动力学技术的改进提供可能性。

研究中提出的图卷积自编码器（GCA - ROM）框架，利用图神经网络对无结构网格上的非参数 PDE 解进行编码降维。

基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，展现良好的泛化能力。

使用基于图卷积神经网络（GCN）和 U-Net 架构的模型，能够在非结构网格上识别计算流体动力学结果中的涡旋。

提出的深度学习非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络实现模型降维，同时保持计算效率和系统稳定性。

开发的新颖多保真度深度学习方法，通过将参数空间信息纳入自动编码器，显著减少训练数据需求。

提出的不基于模板的完全卷积网格自编码器，具有高精度的重构能力，能够对任意已注册的网格数据进行编码。

基于卷积自编码器的神经网络模型 FR3D 能够重构三维流场，并准确估计流体的升力和阻力。

提出的数值方法能够从轨迹数据中学习预测模型，适用于非高斯噪声驱动的系统，产生长期的系统预测结果。

介绍的降阶建模技术旨在从数据中学习低维流形，提供了新的动力学感知成本函数以促进学习。