提出一种基于物理学知识的深度学习机器学习模型，应用于水力状态估计，通过少量图卷积神经网络层和基于消息传递的创新算法，模拟流行的水力模拟器 EPANET，具有较快的运行速度和高准确性。
Mar, 2024
基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。
Apr, 2024
我们开发了一个基于图形的框架来表示最佳热管理系统设计的各个方面，旨在快速高效地识别最佳设计方案。通过图形框架，我们生成多样的热管理系统体系结构，对这些系统体系结构在各种负载条件下建模，并利用开环最优控制器确定每个系统的最佳性能。利用图神经网络模型训练预测性能，我们对剩余数据集进行性能估计，并利用估计值对测试数据进行排序，提供优先评估设计方案的能力。结果显示，通过此方法能够显著降低 92% 以上的系统动态建模和最优控制分析所需的工作量，以识别最佳设计方案。
Nov, 2023
该研究论文介绍了一种利用物理知识驱动的机器学习算法，通过分析压力数据来估计未知的水需求，最终利用伯努利方程并线性化泄漏检测问题。该算法在 L-Town 基准网络的数据上进行了测试，结果显示其在估计大多数不规则需求方面具有较好的能力，R2 大于 0.8；与不考虑不规则需求的结果相比，对于突发泄漏和潜在泄漏情况下的泄漏识别结果分别提高了 5.3 倍和 3.0 倍。
Sep, 2023
本论文研究了使用图神经网络方法对历史电力系统数据进行训练，以预测电量流计算结果。通过在测试系统上的结果表明，使用所提出的图神经网络电量流模型可以比传统的直流（DC）功量流方法和深度神经网络（DNN）模型以及卷积神经网络（CNN）模型得到更准确有效的数据处理方案。
Jul, 2023
利用谱时图神经网络将泵储水电站的感应器数据进行融合以提高状态预测精度和通用性。
本文提出了一种图神经网络框架来加速油气井寻优的过程，训练经过优化的 6000 个样本后，我们的 GNN 模型可以代替模拟运行，并在油气和碳封存等领域的井下优化中展示出巨大的潜力。
Feb, 2022
该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。
May, 2023
本文介绍了一种针对河流传感器数据的异常检测解决方案，使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系，并针对河流网络数据中的高维数据进行评估，发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时，本文还介绍了 gnnad 软件。
Apr, 2023
我们提出了一种新颖的机器学习方法，用于在流体力学中应用数据同化，基于反问题优化与图神经网络模型。