《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》：A physics-informed geometry-embedded graph autoencoder for shape reduction, reconstruction, and surrogate modeling
编辑推荐：
形状优化旨在寻找在几何与运行约束下提升物理性能的几何构型。在高保真设计研究中，每个候选构型可能都需要昂贵的仿真。几何本身可能包含数百至数百万自由度，但可行的设计族通常由较少的变形机制所支配，例如厚度变化、弯度变化、局部凸起、展向弯曲、旋转或特征平移。因此，有效
形状优化旨在寻找在几何与运行约束下提升物理性能的几何构型。在高保真设计研究中，每个候选构型可能都需要昂贵的仿真。几何本身可能包含数百至数百万自由度，但可行的设计族通常由较少的变形机制所支配，例如厚度变化、弯度变化、局部凸起、展向弯曲、旋转或特征平移。因此，有效的缩减表示应具备紧凑性、可重构性、网格感知性以及对物理性能的信息性。经典基于主成分分析（PCA）、本征正交分解（POD）或奇异值分解（SVD）的缩减方法因可解释、低成本且可直接重构而具有吸引力，但少数几何设计变量并不必然意味着低全局线性秩。平移或旋转可能仅由一个参数控制，却在高维节点坐标空间中沿曲线流形运动，固定线性基需混合多个模态来表示该运动，慢的Kolmogorov ??-宽度衰减限制了单一全局线性空间的紧凑性，并促使采用非线性流形表示。自编码器提供了实用的非线性替代方案，因为编码器学习紧凑坐标，解码器提供到高维状态或几何的逆映射。若干近期方法将缩减设计空间与物理响应更紧密地联系起来，但通过不同的表示和训练流程实现这些能力。直接网格压缩增加了结构性要求：表示应尊重表面连通性，而非将坐标视为无关向量。图神经网络（GNN）沿节点和边聚合信息，允许在不规则离散化上进行局部操作。本研究旨在实现这种集成的网格感知实现。单一的图编码潜在空间服务于三个角色：紧凑设计坐标、用于节点重构的解码器输入、以及用于标量或空间响应预测的条件变量。遵循共享表示的多任务学习逻辑，提出的PI-GAE结合了GNN编码器、SVD辅助解码器和以运行变量为条件的响应头。因此，POD被视为线性重构参考，而非用于排序纯坐标压缩方法的对抗性基线。该比较有助于将PI-GAE解释为联合几何–响应表示，特别是当可接受形状族难以由单一全局线性子空间近似时。在气动数据集之前，两项受控平移研究变化内在维度和平移诱导的模态复杂度。它们将实际PI-GAE潜在需求与规定内在维度以及在同一留出重构精度下所需的POD秩进行比较。完整评估随后涵盖AirfRANS、OptiWing3D、SuperWing和Rotor37。这些案例跨越二维翼型、三维机翼、压气机叶片、结构化与邻域图、标量响应以及一个对齐的压力场响应。
研究背景方面，形状优化在几何与运行约束下寻求提升物理性能的构型，但高保真设计中每个候选构型可能需昂贵仿真，几何本身可能包含数百至数百万自由度。然而可行设计族常由较少变形机制支配，如厚度变化、弯度变化、局部凸起、展向弯曲、旋转或特征平移。有效缩减表示应紧凑、可重构、网格感知且对物理性能有信息性。经典基于主成分分析（PCA）、本征正交分解（POD）或奇异值分解（SVD）的缩减方法因可解释、低成本且可直接重构而具吸引力，但少数几何设计变量并不必然意味着低全局线性秩；平移或旋转可能仅由一个参数控制，却在高维节点坐标空间中沿曲线流形运动，固定线性基需混合多个模态表示该运动，慢的Kolmogorov ??-宽度衰减限制单一全局线性空间的紧凑性并促使采用非线性流形表示。自编码器提供实用非线性替代，编码器学习紧凑坐标，解码器提供到高维状态或几何的逆映射。若干近期方法将缩减设计空间与物理响应更紧密联系，但通过不同表示和训练流程实现。直接网格压缩增加结构性要求：表示应尊重表面连通性而非将坐标视为无关向量。图神经网络（GNN）沿节点和边聚合信息，允许在不规则离散化上进行局部操作。本研究目标为网格感知实现这种集成：单一图编码潜在空间服务于三个角色——紧凑设计坐标、用于节点重构的解码器输入、以及用于标量或空间响应预测的条件变量。遵循共享表示的多任务学习逻辑，提出的PI-GAE结合GNN编码器、SVD辅助解码器和以运行变量为条件的响应头，POD被视作线性重构参考而非对抗性基线，该比较有助于将PI-GAE解释为联合几何–响应表示。
研究人员开展了以下研究：在方法论上，首先将每个形状族表述为固定对应图，图连通性表示网格或邻域结构，节点坐标随样本变化。以基线几何??0计算形状微分（变形场），运行或设计条件收集于??(??)，物理响应为标量??(??)或节点场??(??)。节点特征为标准化基线坐标与样本变形的拼接，鼓励潜在向量描述形状变化而非记忆绝对位置。图编码器采用图卷积层，经全局均值与最大池化拼接后由MLP映射到潜在向量??(??)。几何解码器针对大网格直接解码全部节点坐标代价高的问题，从归一化训练变形计算截断奇异值基，保留秩取满足99.99%训练方差准则的最小??，非线性解码器预测模态系数，SVD层作为辅助重构层而非主要非线性缩减机制；图编码器学习物理信息潜在表示，MLP解码器将??映射到系数，固定SVD基合成高维变形场，此分离保持解码器输出维度小、约束重构于训练数据变形子空间并减少高频重构伪影。标量与空间响应头分别使用[??,??]和[????,??,??,????]作为输入。多任务目标为重构损失与物理预测损失的加权和。所有缩放器和SVD基仅用训练样本拟合，模型选择在独立验证集上进行。
关键技术方法概括（不超过250字）：研究采用图神经网络（GNN）编码器将网格变形编码为紧凑潜在向量，结合奇异值分解（SVD）辅助解码器实现节点坐标重构，并以同一潜在码条件化标量与空间物理响应预测头进行联合训练。样本队列来源包括AirfRANS、OptiWing3D、SuperWing和Rotor37四个气动基准数据集，涵盖二维翼型、三维机翼、压气机叶片，图构建采用结构化表面或k近邻（kNN）图。受控平移流形研究用于分离内在维度与POD秩需求。
研究结果方面，受控平移流形测试问题：数值案例A考察潜在维度与内在维度关系，八特征槽中独立平移特征数??从1扫描至8，潜在维度??从1扫描至12；采样变形Jacobian秩为??，95%训练方差POD秩为2??，99.99%水平POD秩为(5,10,15,20,25,30,34,39)；在??2≥0.95时PI-GAE阈值维度为(1,2,3,4,6,7,8,11)，POD秩为(2,4,6,8,10,12,14,16)，低误差边界由对角线??=??组织但有限模型与数据预算导致随??增大出现实际松弛。数值案例B考察平移诱导模态复杂度对潜在维度影响，固定??=2，平移比??/??从1.6增至9.6，训练POD秩从4增至14（95%方差）和从8增至29（99.99%方差），POD误差随平移范围增大衰减渐慢，PI-GAE在??=3附近进入紧凑低误差区，阈值维度在整个平移扫描中保持??=3而POD列记录递增线性坐标需求，最大平移范围下残差形状误差与运行间变异性增大。应用与结果：AirfRANS消融研究表明潜在容量在????=2处明显瓶颈，增至????=5使平均变形重构??2从0.974升至0.998、阻力预测??2从0.989升至0.994，超过5无系统改进；损失平衡在3≤????≤30进入宽广平台；数据稀缺扫描中PI-GAE在低于60%训练池时更具数据效率，10%数据时平均??2为0.549对0.083、30%时为0.955对0.780，Direct GNN参数更少（25,985对46,202）故低数据改进与重构辅助监督一致。AirfRANS标量与空间预测：????=5、两层128单元图层、12个SVD模态、(????,??p)=(1,2)，200留出案例上????的??2=0.992、RMSE 4.15×10?4、MAE 2.60×10?4；点向表面重构误差在Q25、Q50、Q75变形范数分位数上保持翼型轮廓与表面光滑性，残差局部于较强局部几何变化区域；节点向????预测与真实压力系数剖面对比一致；移除??使RMSE增加约55%，表明全局码提供超出局部图特征、坐标与运行条件的样本级信息。OptiWing3D：600案例、1728表面节点、????=8、129个SVD模态，60留出案例上????的??2=0.990、RMSE 0.003487，重构保持全局平面形状与表面光滑性。SuperWing：2000样本子集、33,153节点约为OptiWing3D的19倍、????=4、15个SVD模态，留出????的??2=0.946、RMSE 0.004470，变形重构??2=0.892、变形场RMSE 0.031208，较低分数与更大表面分辨率和几何多样性压缩至单一紧凑码一致，应读作可扩展性压力测试。Rotor37：从29,773原始表面节点经确定性最远点采样选4096对应节点、全局kNN图、????=13、36个SVD模态，留出压缩比预测??2=0.984、RMSE 0.00826，重构保持全局叶片几何包括根–尖轮廓与展向曲率，最大残差局部于边缘/尖端区域和光滑表面带。讨论：跨问题性能总结中标量响应??2在AirfRANS、OptiWing3D和Rotor37保持高于0.97，SuperWing最难；AirfRANS与OptiWing3D在所有变形范数四分位平均归一化点向重构误差低于0.3%，Rotor37点向误差近常数，SuperWing上四分位达1.84%平均点向误差。图与非图编码比较：参数匹配Deep Sets式编码器在AirfRANS、OptiWing3D和Rotor37上标量响应精度大致相当，SuperWing上GCN达??2=0.9605对DeepSets 0.9450和展平MLP 0.9163；GCN平均重构NMSE较DeepSets在AirfRANS低5.9%、OptiWing3D低4.8%、Rotor37低7.8%、SuperWing低40.9%；共享节点编码器重构显著优于展平MLP且编码器参数不随节点数增长。共享潜在空间所学：跨基准共享潜在码主要作为耦合几何–响应坐标而非纯重构中POD替代，气动基准展示联合网格感知几何–响应表示，受控研究分离非线性编码在弯曲形状流形上有益的情形。可扩展性与当前瓶颈：SuperWing最清晰限制，33,153节点经全局均值–最大池化压缩至单一紧凑码可丢弃与阻力相关的局部展向特征；更大或更局部细节网格将进一步增加消息传递成本、SVD基存储、解码器内存、GPU内存需求与训练时间；未来扩展可能需层次池化、多尺度消息传递、局部潜在令牌或表面分块及更高效子采样、批处理或分布式训练；固定对应假设为全研究局限，SVD基、变形损失、点向重构度量与解码器输出均假设样本共享相对基线的节点排序，重网格化、节点增删或拓扑变化时当前公式不再直接定义。
讨论部分总结：跨问题性能总结表明标量响应??2在三个基准高于0.97，SuperWing最难并最清晰表明网格分辨率与几何多样性需额外多尺度容量；图与非图编码比较表明图连通性并非所有问题关键组件，邻域聚合仅在高分辨率SuperWing明显有益，共享节点编码与置换不变池化结合相比固定顺序展平表示具重构精度与参数缩放优势；共享潜在空间主要作为耦合几何–响应坐标，气动族接近低秩变形流形，但泛化限于同预处理族，新几何族、参数化或网格工作流需单独验证；可扩展性上SuperWing暴露单紧凑码丢弃局部特征限制，更大网格需层次池化等策略，固定对应假设不适用于重网格化或拓扑变化。研究结论翻译：本文提出PI-GAE，一种用于紧凑工程形状表示、逆坐标重构与条件感知物理响应预测的物理信息图自编码器。核心思想是将网格或剖面变形编码为共享图潜在向量，通过SVD辅助坐标合成层解码该向量，并将同一码用作标量或空间响应预测的条件变量；在此形式中潜在空间同时充当缩减几何坐标、重构节点几何的原像以及与物理性能关联的代理模型输入。受控平移流形研究阐明了非线性编码何时有益：当规定内在维度独立于局部特征复杂度变化时，主要重构转变遵循内在维度，而有限模型容量在较大维度引入额外实际松弛；当内在维度固定且平移范围增大时，POD需求随平移诱导模态复杂度增长，而PI-GAE在本文考虑的有用留出精度下保持紧凑低维表示。这些结果支持非线性图编码坐标对弯曲形状流形有用的观点，同时表明该行为依赖精度、容量与数据状态。跨AirfRANS、OptiWing3D、SuperWing和Rotor37，同一公式应用于二维翼型、三维机翼和涡轮机械叶片表面，含结构化与邻域图；留出标量预测在各气动基准保持准确，AirfRANS还展示节点向压力系数预测；数据充足时同骨干直接图代理在AirfRANS上匹配PI-GAE，而PI-GAE在有限数据下更准确，故潜在瓶颈在需要可解码几何坐标或标记仿真稀缺时最有用，而非直接图代理的通用替代；几何重构在AirfRANS、OptiWing3D和Rotor37保持可靠，最大误差出现在上变形SuperWing案例。可解码潜在空间为未来形状优化与不确定性感知设计提供自然坐标，将该模型扩展至该方向需训练分布外保障及用更高保真求解器验证候选设计。
