基于有限元启发的图神经网络之流体非侵入式降阶建模(Non-intrusive Reduced Order Modeling, NIROM of Fluid Flows via Finite Element Inspired Graph Neural Network)

《Journal of Computational Physics》：Non-intrusive reduced order modeling of fluid flows via finite element inspired graph neural network

　　

本文提出一种新的非侵入式降阶模型——网格约化降阶模型（Mesh-Reduction Reduced-Order Model, MRROM），其基于有限元启发的图自编码器神经网络与时空图嵌入Transformer（Spatiotemporal Graph Embedding Transformer, SGET），以实现稳定的长时间流体动力学预测。该模型由两个核心组件构成：其一为所提出的有限元启发图自编码器（Finite Element Inspired Graph Auto-Encoder），采用域分解拓扑感知池化（Domain Decomposition Topology-Aware Pooling）以保留计算网格的分层空间结构，并采用有限元启发的全局感知消息传递（Global-Aware Message Passing, GAMP）机制以增强降维过程中流体动力学多尺度空间结构信息的表征能力；其二为时空图嵌入Transformer（SGET），结合基于图神经网络（Graph Neural Network, GNN）的局部空间建模与基于Transformer的机制以捕捉长程时间依赖性。二者共同显著提升了模型在流场长期动态预测中的稳定性、计算效率与精度。研究人员采用圆柱绕流（Flow Past a Cylinder）、后向台阶流（Backward-Facing Step Flow）及两相鼓泡塔（Two-Phase Bubble Column）三个算例对MRROM进行评估，结果表明该模型能够学习非均匀网格的拓扑结构及物理系统的动态演化模式，实现高质量的长期流体动力学预测。

一、研究背景与意义

计算流体动力学（Computational Fluid Dynamics, CFD）在航空航天、海洋工程、气象及生物医学等领域发挥着重要作用，但涉及湍流或复杂几何的模拟往往带来指数级增长的计算负担。传统降阶模型（Reduced-Order Model, ROM）如本征正交分解（Proper Orthogonal Decomposition, POD）结合Galerkin投影在处理强非线性现象时面临截断误差与稳定性问题，且侵入式（Intrusive）框架需大幅修改既有求解器，限制其在复杂工程问题中的应用。近年来非侵入式降阶模型（Non-Intrusive Reduced-Order Model, NIROM）结合数据驱动方法避免了上述问题，但现有基于深度学习的方法多忽略计算网格拓扑连通性，导致潜空间表征缺失空间结构信息，且时序预测网络常忽视流场节点间空间相互作用，造成长期预测中误差传播与物理量守恒律破坏。为此，研究人员（Yanling Lu, Dunhui Xiao, Rui Fu, Xuejun Xu, Shuyu Sun）开展了本研究，提出融合有限元（Finite Element Method, FEM）思想与图神经网络（Graph Neural Network, GNN）、Transformer的网格约化降阶模型（Mesh-Reduction Reduced-Order Model, MRROM），以解决非均匀网格拓扑保持与长期稳定预测难题。研究表明MRROM能在保留网格拓扑及物理特征的前提下实现高精度长期流场预测，论文发表于《Journal of Computational Physics》。

二、主要关键技术方法

研究人员以CFD生成的瞬态流场快照（Snapshots）为训练样本，构建有限元启发全局感知图自编码器（Finite Element Inspired Global-Aware Graph Auto-Encoder, GAG-AE）进行分层空间降维，采用域分解拓扑感知池化保留FEM网格层次结构，设计有限元启发全局感知消息传递（Global-Aware Message Passing, GAMP）融合局部刚度类计算与全局动力学信息。将高维流场投影至低维潜图后，输入时空图嵌入Transformer（Spatiotemporal Graph Embedding Transformer, SGET）——由GNN层提取潜图空间拓扑特征、Transformer编码器—解码器捕捉长程时序依赖——进行多步潜空间预测，最后经GAG-AE解码器重构全场。模型在圆柱绕流、后向台阶流及两相鼓泡塔三个标准CFD算例上以均方根误差（Root Mean Square Error, RMSE）、皮尔逊相关系数（Pearson Correlation Coefficient, PCC）及相对均方根误差（Relative Root Mean Square Error, RRMSE）定量评估，并从理论推导给出多步预测误差上界。

三、研究结果

Governing equations of dynamic systems

研究人员考虑有界域Ω∈R^d内由非线性偏微分方程（Partial Differential Equation, PDE）描述的动力系统 ?u(x,t)/?t + F(μ,u,?u,?²u,…)=h(x,t)，明确所建模型旨在近似此类高维非线性演化系统的降维表示。

Finite element inspired global-aware graph auto-encoder neural network

研究人员提出GAG-AE，图编码器E将高维有限元网格表示为含坐标与物理量的图并压缩为低维潜图，解码器D对称重构。其采用域分解拓扑感知池化按FEM网格分区逐层聚合节点以保持多层次拓扑，消息传递阶段借鉴FEM形函数插值思想引入GAMP，使节点更新同时考虑邻域局部相互作用与全局流场统计量，从而增强多尺度空间结构表征。

Fluid dynamics prediction via spatiotemporal graph embedding transformer

研究人员提出SGET，潜图序列先经GNN层提取含拓扑信息的节点嵌入，再送入Transformer编码时序上下文并自回归（或滚动）预测未来潜图特征，最后经潜图重建模块输出。该结构兼顾局部空间邻接关系建模与全局长时序依赖捕获，抑制纯注意力或纯GNN模型的局限。

MRROM based on GAG-AE and SGET

研究人员将GAG-AE空间降维与SGET时序预测串联构成MRROM框架：CFD快照→GAG-AE编码为潜图序列→SGET预测未来潜图→GAG-AE解码至高维流场，实现端到端非侵入式长期预测。

Error analysis

研究人员推导MRROM多步预测误差上界：设自编码器重构误差‖u?D(E(u))‖₂≤ε_recon，解码器L_D-Lipschitz连续，时空预测模型单步潜空间误差‖?(z)?S(z)‖₂≤ε_pred，则k步预测全量误差满足 ‖u_k??_k‖ ≤ L_D·(ε_pred·Σ_i=0^k?1αⁱ) + ε_recon，表明误差受Lipschitz常数与单步预测误差控制且有界，保证长期预测稳定性。

Numerical examples

研究人员在三组算例中对比MRROM与POD–Galerkin、普通自编码器+Transformer等基线：圆柱绕流中MRROM的RMSE与RRMSE显著更低，涡脱落模态保真度高；后向台阶流中速度/压力场时空相关性（PCC）更接近1；两相鼓泡塔中气泡界面动态演化预测优于对比模型。结果表明MRROM可有效学习非均匀网格拓扑及非线性演化规律，长期预测精度与稳定性优异。

四、讨论与结论翻译

研究人员指出，本文提出的MRROM通过有限元启发GNN自编码器保留计算网格拓扑与多尺度物理信息，并通过时空图嵌入Transformer耦合局部空间交互与长程时间依赖，克服了现有NIROM忽略网格结构与空间相互作用的缺陷。误差分析从理论上保证了模型长期预测的稳定性。三个典型流体算例验证了方法的泛化能力与精度。

原文结论部分翻译：

综上所述，研究人员提出了一种新颖的非侵入式降阶模型（NIROM），用于稳定的长期流体动力学预测。该NIROM采用新型有限元启发的全局感知图自编码器（GAG-AE）进行网格约化，并采用时空图嵌入Transformer（SGET）实现稳定的长期流体预测。所提出的GAG-AE模块通过两项关键方法创新——（1）开发有限元启发的域分解拓扑感知池化策略以实现一致的多尺度表示；（2）设计有限元启发的全局感知消息传递（GAMP）机制以描述FEM中的局部流体动力学相互作用同时保留全局流体动力学特征——在复杂几何中实现了计算效率与特征保真度间的有效平衡，推进了基于GNN的降阶建模。MRROM在圆柱绕流、后向台阶流及两相鼓泡塔流动中表现出优越的预测性能与稳定性，为复杂CFD问题的非侵入式长期降阶模拟提供了新途径。