Neues Graph Neural Network verbessert Turbulenz- und Wärmevorhersage bei Pin‑Fins
In einer wegweisenden Veröffentlichung präsentiert ein internationales Forschungsteam ein neu entwickeltes, domänen‑responsive, kanten‑bewusstes Multiskalen‑Graph Neural Network (GNN), das die Vorhersage von stationärem, turbulenten Strömungs- und Wärmeverhalten in einem zweidimensionalen Kanal mit komplex geformten Pin‑Fin‑Geometrien revolutioniert.
Der Trainingsdatensatz wurde über ein automatisiertes Framework generiert, das die Geometrieerzeugung, das Netzwerken und die Strömungsfeldlösungen in ANSYS Fluent nahtlos integriert. Die Pin‑Fin‑Geometrie wurde mithilfe von Stückweise‑kubischen Splines parametrisiert, wodurch 1.000 unterschiedliche Konfigurationen mittels Latin‑Hypercube‑Sampling erzeugt wurden.
Jede Simulation wurde in eine Graphstruktur überführt, bei der die Knoten ein Feature‑Vektor mit räumlichen Koordinaten, einer normalisierten Strömungsposition, One‑Hot‑Grenzindikatoren und dem Vorzeichen der Entfernung zur nächsten Grenze trugen. Dieses Graphmodell diente als Eingabe für das neu entwickelte GNN, das darauf trainiert wurde, Temperatur, Geschwindigkeitsmagnituden und Druck an jedem Knoten vorherzusagen.
Die Ergebnisse zeigen, dass das Netzwerk die Felder mit herausragender Genauigkeit reproduziert, einschließlich der Grenzschichten, der Rückströmungen und der Stagnationsregion vor den Pin‑Fins, und gleichzeitig die Rechenzeit um zwei bis drei Größenordnungen reduziert. Damit bietet das neue GNN einen schnellen und zuverlässigen Surrogat-Ansatz für Simulationen in komplexen Strömungskonfigurationen.