本文开发了一个混合（图）神经网络，利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合，在利用较粗略的问题表示进行实际 CFD 模拟的同时，通过结合实际CFD模拟器和图网络，我们展示了我们能够很好地推广到新的情况并受益于神经网络CFD预测的显着加速，同时还大大优于单独的粗略的CFD模拟。

Jul, 2020

本文讲解了如何通过域分解方案将MeshGraphNets（MGN）应用于具有百万节点的3D网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高MGN的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。

Apr, 2023

本研究在深度学习的基础上，采用图神经网络对二维定常不可压纳维尔-斯托克斯方程在不同机翼几何形状下的解进行逼近，同时测试模型表现在体积和表面量如壁面剪切应力或等压力等的逼近性能，并推导出机翼的提升力和阻力等全局系数进行设计探索。

May, 2023

使用基于图卷积神经网络（GCN）和U-Net架构的模型，在非结构网格上识别计算流体动力学（CFD）结果中的涡旋，并通过优化输入集、对比卷积神经网络模型以及评估GCN模型的性能来验证方法的适用性。

Nov, 2023

本研究拟定了两种新的几何表示方法：最短向量（SV）和方向综合距离（DID），并提出了有限体积特征（FVF）和剩余训练的使用，可以有效地降低当前基于图神经网络的方法的预测误差高达41％。

Nov, 2023

该研究聚焦于解决非均匀非结构网格在计算流体力学中的挑战，通过利用图卷积网络和自编码图卷积网络结构生成降阶模型，有效提高了预测准确性和网络的能力。验证实验表明该方法在稳态分布量的精确重构方面可靠且具有多样性。

May, 2024

使用图网络和图卷积有限差分方法来解决参数化设置下具有复杂流场的流动问题，与传统计算流体力学求解器相比，该方法在训练效率和准确性上都有所提升。

Jun, 2024

基于图神经网络的新方法用于解决有限元方法中网格自适应的问题，通过直接最小化网格点位置对有限元解误差的训练，取得了非常高效和有效的在线自适应效果，同时在测试问题中优于传统和先前的机器学习方法，特别是在减少有限元解误差的同时保持了先前机器学习工作中观察到的显著加速。

Jul, 2024

本研究针对复杂机械系统仿真的计算效率问题，提出了一种新颖的双层网格图网络模型，以更好地捕捉长距离的空间依赖性。通过将图块和注意力块相结合，该方法显著减少了预测误差和网络参数数量，从而提升了仿真准确性和效率。

Aug, 2024

本研究解决了流体流动超分辨率的需求，通过引入一种图神经网络（GNN）方法，实现了局部网格的三维超分辨率。在多尺度架构下，研究表明该方法能够在较粗的尺度上有效嵌入查询信息，并利用细尺度的消息传递来修正插值误差，从而生成准确的超分辨率场。

Sep, 2024