Details

Данная работа посвящена исследованию возможностей применения графовых нейронных сетей (Graph Neural Networks, GNN) к задачам вычислительной гидродинамики на примере моделирования пульсирующего течения вязкой несжимаемой жидкости в плоском канале. Работа направлена на создание и тестирование GNN, способных ускорить процесс расчетов при сохранении приемлемой точности результатов. В рамках работы: 1) Проведен анализ литературных источников по применению GNN в задачах механики сплошных сред, выявлены перспективные направления исследований. 2) Сформулирована и реализована в CFD-пакете Ansys Fluent базовая физическая постановка. 3) Разработаны пользовательские функции Ansys Fluent, реализующие создание граничных условий, сбор информации о структуре расчетной сетки, запись полей давления и скорости. 4) Проведено сравнение десяти архитектур графовых сверток, выбраны GraphSAGE, GAT, PNA, EdgeCNN и LINKX как наиболее перспективные. 5) Исследовано влияние параметров расчета на качество предсказаний. 6) Проведена оценка возможности предсказания на нескольких временных шагов вперед. 7) Показана возможность применения GNN для моделирования трехмерных течений на неструктурированных сетках. 8) Проведено сопоставление GNN и кубической экстраполяции. 9) Реализован гибридный алгоритм моделирования с использованием GNN и Ansys Fluent через Python-библиотеку PyFluent. Протестированы различные режимы работы. Полученные результаты свидетельствуют о высоком потенциале применения GNN для ускорения CFD-расчетов. Разработанные методы могут найти применение в других областях прикладной вычислительной физики.

This work is devoted to investigating the potential of applying graph neural networks (GNN) to computational fluid dynamics problems, specifically modeling pulsating flow of viscous incompressible fluid in a flat channel. The work aims to create and test GNN capable of accelerating calculations while maintaining acceptable accuracy. As a result of this work: 1) A comprehensive analysis of scientific literature on the application of GNN in continuum mechanics was conducted, identifying promising research directions. 2) The basic physical formulation was implemented in the Ansys Fluent CFD package. 3) Custom Ansys Fluent user-defined functions were developed for creating boundary conditions, collecting computational mesh structure information, and recording pressure and velocity fields. 4) Ten different graph convolutional architectures were compared, with GraphSAGE, GAT, PNA, EdgeCNN, and LINKX selected as the most promising. 5) The influence of calculation parameters on prediction quality was investigated. 6) The possibility of predicting several time steps ahead was evaluated. 7) The potential application of GNN for modeling three-dimensional flows on unstructured meshes was demonstrated. 8) A comparison between GNN and cubic extrapolation was performed. 9) A hybrid modeling algorithm was implemented using GNN and Ansys Fluent through the PyFluent Python library. Various operating modes were tested. The results indicate high potential for using GNN to accelerate CFD calculations. The developed methods can be applied in other areas of computational physics.