《Results in Engineering》：Physics-Guided Node Features for Mesh-Native Graph Neural Network Prediction of Two-Dimensional Laminar Flow Around Arbitrary Shapes
编辑推荐：
物理引导节点特征可改善网格原生计算流体力学（CFD）代理模型。PGNF-GCNN将平均绝对误差（MAE）降低70–76%，将均方根误差（RMSE）降低58–74%。PGNF-GCNN在全部测试几何（2,000个中的200个）上均优于基线。圆柱表面MAE在速度和
物理引导节点特征可改善网格原生计算流体力学（CFD）代理模型。PGNF-GCNN将平均绝对误差（MAE）降低70–76%，将均方根误差（RMSE）降低58–74%。PGNF-GCNN在全部测试几何（2,000个中的200个）上均优于基线。圆柱表面MAE在速度和压力上下降5.1–13.3×。PGNF-GCNN仅使用80个训练形状即可匹配1,600个形状基线的性能。
研究背景与问题：高保真计算流体力学（CFD）在重复几何或工况下计算昂贵，促使机器学习代理模型发展；图神经网络（GNN）因网格天然可表示为图而适合CFD代理。Chen et al.建立了面向随机二维障碍物稳态层流的网格原生图卷积神经网络（GCNN）基线。卷积代理常用符号距离函数（SDF）等隐式几何编码，但标量场不显式分离表面方向与曲率；物理信息方法则常通过残差损失嵌入控制方程。架构决定信息传播，节点表示决定传播前可用的物理与几何线索。研究人员因此提出物理引导节点特征GCNN（PGNF-GCNN），在固定GCNN骨干下以五个确定性描述符替代坐标输入，考察节点表示本身能带来多少增益，并评估精度、几何一致性、分布外（OOD）泛化与训练数据效率。其意义在于以输入级物理引导获得显著提升而不增加架构复杂度，并降低CFD标注需求。
关键技术方法：采用随机三次Bézier生成2,000个二维闭合形状（4–6个锚点、30–50个边界采样点、
T/
C为0.06–1.0、弦长1），以COMSOL Multiphysics 6.2二维层流稳态求解
Re=10，生成贴体非结构网格3,511–8,907节点；以距表面距离、局部表面方向、曲率、沿表面雷诺数指示、厚度弦长比五通道为节点输入；共享8个卷积-平滑块GCNN骨干；采用1,600/200/200划分和5个随机种子；外部独立构建圆柱与NACA0012；开展drop-one消融及20–200训练规模与共同200形状留出验证。
4.1 训练历史（Training History）：训练与验证损失收敛，代表性运行验证损失为1.06×10
?2，固定200形状测试集每形状平均归一化MAE为1.06×10
?2；仅2/200测试几何MAE超过0.025，表明同分布留出几何上性能稳定。
4.2 外部几何泛化（Generalization to External Geometries）：冻结训练权重、不重训或微调，在独立构造的圆柱与NACA0012上以相同
Re、计算域、边界条件、CFD流程、网格策略和特征流程评估，构成geometry-OOD检验。
4.2.1 圆柱（Circular Cylinder）：全场MAE为
u 5.82×10
?3 m/s、
v 4.19×10
?3 m/s、
p 1.20×10
?2 Pa；圆柱表面MAE为
u 4.03×10
?4 m/s、
v 1.70×10
?4 m/s、
p 2.60×10
?2 Pa，最大局部误差分别为3.97×10
?3、1.60×10
?3 m/s和1.17×10
?1 Pa；表明其紧致保持无滑移/无穿透并复现主要表面压力趋势。
4.2.2 NACA0012翼型（NACA0012 Airfoil）：6,866节点上MAE为
u 3.46×10
?3 m/s、
v 2.44×10
?3 m/s、
p 3.42×10
?2 Pa，
R2分别为0.999832、0.996128、0.877273；表面MAE为
u 5.20×10
?4 m/s、
v 1.74×10
?4 m/s、
p 5.60×10
?2 Pa；最大压力差3.00 Pa位于有限厚度尾缘端点；表明对流线型外形亦保持场与表面预测。
4.3 与基线比较（Comparison with The Baseline）：5个独立种子下，PGNF-GCNN平均最终归一化验证损失1.06×10
?2，基线4.13×10
?2，降低74.4%；测试集MAE分别降低76.3%（
u）、70.8%（
v）、71.0%（
p），RMSE降低74.2%、67.0%、58.2%，
R2均更高；200/200测试几何均更优，Wilcoxon符号秩检验
W=0、
p=1.436×10
?34，符号检验
p=1.245×10
?60；圆柱表面MAE降低91.9%、92.3%、80.0%（约12、13、5倍），表明改进在几何层面稳定且可重复。
4.4 特征消融（Feature ablation, drop-one）：逐一去除特征时，去距离使MAE增加61.7%（
u）、44.3%（
v）、27.3%（
p）；去
T/
C使
u增加25.1%；去
m使
u、
v增加14.7%、22.2%，并使
p增加57.5%；去
Res增加4.9–5.9%；去
R变化最小（约0.1–0.6%）。说明距离、局部方向和
T/
C贡献较大；
Re=10下曲率独特贡献最小，原文解释为与表面方向信息部分冗余，并非物理不重要。
4.5 更少训练样本匹配基线（Matching the Baseline with Fewer Training Samples）：训练规模扫描中，
N=80时验证损失0.040241，低于1,600形状基线0.041728（低3.56%）；共同200形状留出上归一化
L1损失0.04260对0.04208，差1.23%；物理MAE为
u 0.03133对0.03120 m/s、
v 0.01900对0.01838 m/s、
p 0.09700对0.09973 Pa；108/200几何上更低。圆柱全场
u、
v更低而压力相当；表面速度基线略优，但压力MAE由0.13009降至0.07046 Pa（降45.8%）。表明20倍数据减少后总体接近基线，有限数据下表面速度未超越基线。
讨论与结论部分可概括翻译为：该研究提出PGNF-GCNN，考察仅通过节点表示能在多大程度上提升网格原生GCNN预测能力；在
Re=10下，PGNF-GCNN在固定200形状Bézier测试集上持续优于任务匹配基线，5次独立运行中MAE降低70–76%、RMSE降低58–74%，并在全部200测试几何上取得更低分量MAE，配对统计确认差异非训练随机性所致。drop-one消融显示提升主要来自物理引导通道的互补信息，尤其是距表面距离、局部方向和厚度弦长比；曲率在
Re=10下独特贡献最小，反映其与经图传播的表面方向信息部分冗余。冻结权重后，圆柱与NACA0012外部测试提供geometry-OOD证据；80个而非1,600个CFD标注训练形状即可在共同留出集上接近基线，且PGNF通道一次性预处理成本低。研究明确限制于二维、稳态、不可压缩层流
Re=10，不应假设模型可无变化外推至其他雷诺数或流态；几何描述符本身仍可定义，但跨雷诺数预测需在相应工况范围训练并显式条件化全局雷诺数，更高雷诺数还需适合强分离与非定常/湍流的数据与模型。由于PGNF作用于输入表示而非特定图操作，可原则上结合多尺度、注意力与等变消息传递架构；方向信息在等变模型中需重写为对称兼容表示，三维扩展需以表面法向和表面曲率替代二维切线角与曲率。总体而言，改进精度、几何迁移、降低CFD训练需求与低成本缓存预处理，使PGNF-GCNN适用于快速几何筛选、代理辅助设计空间探索、优化和不确定性分析等重复评估流程；核心结论是网格原生CFD代理的显著提升不仅可来自更复杂图架构，也可来自直接暴露物理意义几何结构的紧凑节点表示。
