图神经网络在流体数值计算中的网格适应能力:分辨率、局部加密与拓扑改变下的可验证精度、稳定性与效率收益

问题界定与评估判据:GNN-CFD综述、算子理论视角与离散不变性/网格失配误差的形式化刻画

把三份分组中所有'给出判据而非给出模型'的文献合并为一组,因为它们共同回答'换网格后什么东西应当保持不变、用什么指标判定收益'。GNN在非结构CFD网格上的应用综述梳理相较CNN的适配优势与训练成本高、泛化不足、效率受限等瓶颈;图网络代理预测综述补充应用侧现状;Discretization invariance 与 mismatch errors 一文直接形式化讨论离散失配误差与离散化不变性;RONOM 给出无限维算子与离散算子之间的误差界;operator-theoretic learning 一文把图网络、神经算子、神经场统一视为算子在不同离散化下的有限维表示,主张分离'所学算子'与'数组表示';neural operator is data all you 提供'数据即一切'式立场作为反面参照。本组为后续所有实证分组提供跨分辨率迁移、失配界与零样本超分辨的评价尺度。

分辨率/保真度进入网络参数的方式:多尺度图池化、多保真层级结构与跨网格规模参数迁移

合并三份分组中'以尺度层级与参数映射实现跨网格迁移'的架构工作,共同点是尺度要么被显式做成层级(池化/超节点/虚拟参考网格),要么被做成可迁移的参数映射,因而直接对应'能在新网格上运行/需微调才恢复精度'的分层判定。SGUNET 用DFS池化+参数映射函数在网格规模与分辨率之间做预训练-微调迁移(明确给出'需重新标定才能恢复精度'的一档);ME-GNN 混合图消息传递与均匀网格U-Net多尺度特征;多保真Graph U-Net在粗/细分辨率图之间共享单一网络;点云U-Net用虚拟参考网格规避插值带来的精度损失;快速高斯混合卷积核+AMG图层次+U-Net在非结构网格与未见算例上运行;MeshGIN 提出通用图网络框架;PARTNO 用物理自适应区域划分把全局注意力降到线性复杂度。本组重点核查'单元体积/邻域尺度/层级结构是否进入可迁移参数'。

不变性与离散一致性写进表示本身:规范不变谱变换、无网格离散微分算子与拓扑-几何分离

这一组保留为独立分组,因为其贡献不是'多尺度层级',而是把不变性/恒等式约束构造进表示,从而在理论上排除网格依赖,是网格适应能力最强的架构型证据。GIST 用规范不变谱Transformer显式保证离散化不变且随网格规模线性扩展(faster_by_design 为其在交互式气动设计上的落地版本);GITO 以注意力在任意查询点实现零样本超分辨;无网格多项式矩约束工作学习只依赖局部几何的离散微分算子,因而分辨率无关并可跨粒子构型复用;RHMP 把拓扑(余边界算子)与几何(学习度量)分离,保证微分恒等式与变网格CFD稳定性;enhancing Graph U-Nets 用GMM卷积算子与噪声注入实现mesh-agnostic时空预测并与单保真度GNN/插值方案对比。

非图对照基线:神经算子、CNN与插值后学习的跨网格零样本迁移及横向比较框架

要判断图表示是否带来'可验证'收益,必须有非图基线;本组由两份分组中的对照类文献合并而成。ReBaNO 以约简基+贪心结构实现严格离散不变并宣称优于PCA-Net、DeepONet、FNO、CNO;双分支耦合FNO以截断谱核实现30×110×5→60×220×5零样本粗到细上采样(R²≈0.90)并保持约3倍加速;另有FNO方法类工作、图-卷积网络耦合工作(对照规则栅格CNN与图消息传递的耦合方式)、层级深度学习/算子学习(DeepONet、FNO、PINO、GNN)与经典求解器比较的系统综述、以及数值一致性数据驱动模型的会议摘要。它们用于界定图表示相对插值后学习与谱算子的边际收益。

网格几何与尺度特征的编码设计:坐标、流向位置、壁面符号距离、超节点层次与方程项边特征

本组聚焦'模型如何表达物理距离、邻域尺度与连接关系'这一前置机制问题,是判定换网格后精度能否直接保持的根本。具体做法包括:节点坐标+流向归一化位置、边界类型one-hot与壁面符号距离;把网格空间相关特征显式注入图并设计加权损失;以向量化边界条件作为输入;用超节点聚类划分多尺度层次以捕捉非局部压力耦合;把Navier-Stokes方程项作为边特征;用虚拟节点加密提升空间粒度(ST-GPINN)。组内多篇在非结构网格与不同几何上验证,可比对'特征携带尺度信息后精度是否不再依赖具体网格'。

把离散结构与守恒/边界条件写进网络:有限体积、有限元型图网络与物理信息约束嵌入

与前一组的差别在于:这一组不是加特征,而是复刻数值离散结构并强制满足守恒与边界条件,因而其网格适应性主张可被守恒性、边界精度直接检验。FVGP-Net 以有限体积数值微分与边界处理替代自动微分;HydroGraphNet 把质量守恒嵌入损失;基于网格的图网络方法给出网格到图的转换规范;GNN增强有限元以节点坐标与逐节点边界条件为输入并由FEM前后处理读写;有限体积启发型GNN与PIGNN-CFD 把守恒型离散结构与边界条件显式写入网络;可解释物理信息GNN 讨论约束可解释性与精度权衡。共同支撑'换网格后退化是否源于物理约束缺失'的归因。

等变/不变对称性与图网络的数值稳定性限制:换网格后精度退化的架构层面解释

保留为独立小分组,因为它回答的是'什么样的建模选择让模型在网格改变时仍然稳定',而非特征或约束的写法。等变与不变表示的受控对比实验说明显式建模不变量可提升长期预测精度;在瞬态热传导上对多种GNN架构与超参的系统比较发现图网络仿真与经典离散格式共享类似的稳定性限制(类比Von Neumann判据)。两者合起来为'是否满足守恒、能谱与耗散指标'提供架构层面解释,也是判断换网格退化是否源自破坏离散恒等式的关键依据。

变网格适应性的核心实测证据:拓扑变化、非结构节点分布与跨分辨率层级迁移(流动类型与边界条件基本固定)

这是直接回答核心问题的证据组:三份分组中'模型结构被设计为对网格离散不敏感并给出跨网格实测'的文献合并于此。超声速流动在几何与飞行条件变化时拓扑改变,需几何注意力维持泛化;多孔介质多相流GCN在未见过的非规则域与非结构网格上运行;PhysGNN 以物理边权实现跨网格拓扑与分辨率的积分器网格无关性;轴对称热Homann流在未见几何上验证;物理信息GCN从单圆柱推广到双圆柱(几何适应性);多分辨率层级代理实现粗网格到细网格的迁移(需层级迁移/微调才恢复精度)。本组按'能在新网格上运行—能直接保持精度—需重新标定/微调才恢复精度'三档分层呈现,并与其余分组的多因素试验形成对照。

未见网格上的多步推进:时空图网络、图卷积LSTM与扩散式全局感受野的误差累积与长期稳定性

本组集中回答评估要求中的'多步推进':三份分组的时空与滚动预测文献合并。GCN-LSTM与GAT-LSTM在非结构网格上做时空耦合外推并报告数百倍加速;图卷积LSTM与MeshGraphNet混合结构专门抑制时序误差累积,并泛化到训练集外的网格配置与边界条件;圆柱入水多步预测明确考察误差累积与插值/外推差异;图自由扩散Transformer以全局感受野替代图消息传递,从短轨迹外推到未见雷诺数与几何;另有CO2羽流在多断层介质中的长时迁移预测。共同点是稳定性与跨条件外推能力是其适应性主张的核心证据,但守恒与能谱指标覆盖有限。

亚格子闭合中显式滤波尺度、网格尺度与学习目标的绑定:图与ANN型SGS模型的跨分辨率迁移

把两份分组中的SGS闭合文献合并为两组中的第一组:其共同做法是把滤波宽度/网格尺度显式作为输入或训练条件,因而能回答'换网格时图表示收益能否与未解析尺度变化分离'。多尺度GNN SGS用Gaussian/box双滤波构造训练集、以多尺度Leonard应力与速度涨落为输入、通过无量纲化获得尺度等变,并在训练Re上下方及近壁区做先验、再在通道流上做后验;若干ANN型SGS模型把滤波宽度直接作为特征,非线性代数模型(MANA)用各方向局部网格宽度归一化梯度与张量基,是少数在未见网格分辨率上做后验检验的工作;混合亚滤波尺度模型与strain-rate型模型提供尺度相似项与构造对照;滤波后组分生成率模型把滤波宽度与运行网格匹配、在不重训情况下跨滤波宽度与更粗分辨率检验误差有界,并与需重划网格的CNN基线对比。

CNN/非图LES模型的滤波核、滤波尺度与雷诺数外推受控评估及超分辨粗粒化重建

与前一组的区别在于这一组以非图(CNN/全连接)模型为主,提供'换尺度/换分辨率'的受控评估范式与可对照基线,正是分离'图表示效应'与'未解析尺度效应'所必需的对照材料。内容包括:在BFS上训练并加SGS旋转增强后迁移至槽道、圆柱与Ahmed体;CNN类LES在滤波尺寸、滤波核类型与雷诺数外推上的系统评估;对ANN小尺度速度模型在不同雷诺数下核对能谱与两时间相关;无监督-监督GAN流水线针对极粗网格vLES;GNN/学习型超分辨在结构化非均匀与非结构网格上重建未解析小尺度。

以传统数值方法为参照的离散一致性:DG/FEM求解器、收敛阶验证与自适应网格加密/网格生成

本组提供'换网格后精度是否可直接保持'的方法论支点:用图神经网络实现非结构单纯形网格上的间断Galerkin有限元求解器并验证(p+1)阶理论收敛率与算子评估吞吐,把多重网格层次做成U-Net;学习型有限元收敛性建模研究关注精度阶与离散一致性;AdaptNet 分别学习初始网格生成与基于Hessian度量的各向异性自适应加密,在训练中获得分辨率无关的网格求解能力——这直接对应'局部加密方式改变'这一子问题;另有面向网络组分输运追踪的快速传统数值方法,作为离散方案在网络拓扑变化下的参照。

跨雷诺数、跨边界条件与复杂几何的工程泛化:多因素同时变化下的联合归因证据

合并两份分组中的工程泛化文献:这类研究同时改变网格、雷诺数、边界条件或几何,因此只能支持联合归因,在本报告中作为延伸证据并明确指出其归因局限。内容涵盖机翼瞬态流场预测(ST-SGCN)、双驱方腔与后台阶(ResMLP-GCN,训练Re=100–2000、外推Re=3000)、图网络代理预测框架、城市风场扩散生成模型(消融检验对网格变化的鲁棒性)、城市风RANS重构在留出网格几何/风向/传感器配置上零重训、冰盖PDE代理的域分解与跨子域迁移学习、溃坝洪水多尺度水力GNN(不变性原理+ghost cell时变边界条件,未见非结构网格与地形)、全球海洋预报用非结构网格token化+GNN主干在动能谱保真与地转平衡上超过结构化网格基线并显著降低显存与FLOPs。

大规模网格上的效率收益:分布式消息传递与图神经网络加速线性求解器

本组直接对应研究问题中的'效率收益'与网格拓扑改变下的实用性。D-MGN 用顶点割分区的分布式消息传递缓解大网格图上的通信开销并给出多卡加速比;基于图卷积网络的代数多重网格光滑子直接面向非结构网格的不规则性,预测稀疏伪逆算子系数,并报告在比训练所见网格大128倍的网格上仍保持效率、能在AirfRANS等未见工业算例上加速收敛。两者构成'网格规模/拓扑变化时图表示带来可测效率收益'的最直接证据,同时提示效率收益须与精度-稳定性代价联合评价。

部署侧外围证据:洪水、地下水与网格质量评估中的效率与长时滚动稳定性(缺乏单因素网格变化归因)

本组是应用与工具侧证据,网格分辨率/拓扑作为背景条件存在但未做'仅改网格'的受控对比,因此在报告中定位为延伸证据。FloodGNN-GRU 在LISFLOOD-FP结构化网格上报告100倍训练、1000倍推理加速;面向非结构网格城市排水的时空图网络报告R²=0.9913;地下水多层蒙特卡洛元模型展示元建模降本;MTGNet 以GNN做多标签网格质量评估,为变网格前处理侧提供线索。合并理由是它们共同说明图表示的工程价值,同时暴露'精度收益是否源于图表示'这一归因链尚未闭合。

图神经网络在流体数值计算中的网格适应能力:分辨率、局部加密与拓扑改变下的可验证精度、稳定性与效率收益

合并三份初始化分组后共得15个一级分组、86篇文献(去重后全部覆盖),按"判据→架构→编码→实测→闭合→参照→泛化→效率"的证据链排列。第1组(综述、算子理论与离散失配误差形式化)界定"换网格后应保持什么、用什么指标判定收益";第2、3组处理架构层的离散无关性——前者以多尺度池化/多保真层级与参数映射实现跨网格规模迁移(SGUNET明确落在"需微调才恢复精度"一档),后者把不变性、微分恒等式与拓扑-几何分离构造进表示,属最强主张;第4组提供非图对照基线(ReBaNO的严格离散不变、双分支FNO的零样本粗到细上采样、图-卷积耦合与算子学习综述),用于界定图表示的边际收益;第5、6组解剖网格属性如何被表达——第5组是坐标/流向位置/壁面符号距离/超节点层次/方程项边特征的特征工程路径,第6组是复刻有限体积-有限元离散结构并强制守恒与边界条件的约束嵌入路径,二者与第7组的等变对称性与稳定性限制(类比Von Neumann判据)共同解释换网格后退化的机制来源。第8组是核心实测证据:在流动类型与边界条件基本固定、单独改变拓扑/节点分布/分辨率/几何的设定下给出分层结果,其中"能在新网格上运行"证据充分、"直接保持精度"仅见于把不变量或离散结构写进模型的少数工作、更多工作需要几何注意力、物理边权、层级迁移或重标定才能恢复精度。第9组补齐"未见网格上多步推进"的评估维度(时空图网络、图卷积LSTM、图自由扩散Transformer),第10、11组构成湍流闭合的完整对照链:图/ANN型SGS把滤波宽度与网格尺度显式作为输入或训练条件,通过双滤波、多滤波尺度、尺度化输入与Leonard/尺度相似项来补偿网格效应,并以不重训跨滤波宽度的检验和需重划网格的CNN基线做对照;CNN/非图LES组则提供滤波核、滤波尺度与雷诺数外推的受控评估范式与超分辨重建证据。第12组以DG/FEM求解器、收敛阶验证与Hessian度量自适应加密作为传统数值参照,是"局部加密方式改变"子问题的直接材料。第13组(跨雷诺数、跨边界条件、复杂几何)与第15组(洪水/地下水部署、网格质量评估)因同时改变多个因素或缺乏单因素网格对比,只能支持联合归因,报告中作为延伸证据并明确其局限;第14组给出分布式消息传递与GNN加速代数多重网格这两条最直接的大网格效率证据。总体结论:非结构图表示在"可运行性"和"效率"上证据较充分,"直接保持精度"分歧明显且多数依赖尺度化输入、物理约束或微调,而严格保持流动类型、雷诺数与物理边界条件一致、仅改变网格分辨率/局部加密/拓扑的受控实验,以及跨网格多步推进中的守恒、能谱与耗散评估,仍是最值得补齐的空白。

让 AI 读完这 87 篇文献,进入工作区深入研究
研究方向与代表作共识与分歧研究空白与可做的问题
共 86 篇文献,15 个研究方向
问题界定与评估判据:GNN-CFD综述、算子理论视角与离散不变性/网格失配误差的形式化刻画

把三份分组中所有'给出判据而非给出模型'的文献合并为一组,因为它们共同回答'换网格后什么东西应当保持不变、用什么指标判定收益'。GNN在非结构CFD网格上的应用综述梳理相较CNN的适配优势与训练成本高、泛化不足、效率受限等瓶颈;图网络代理预测综述补充应用侧现状;Discretization invariance 与 mismatch errors 一文直接形式化讨论离散失配误差与离散化不变性;RONOM 给出无限维算子与离散算子之间的误差界;operator-theoretic learning 一文把图网络、神经算子、神经场统一视为算子在不同离散化下的有限维表示,主张分离'所学算子'与'数组表示';neural operator is data all you 提供'数据即一切'式立场作为反面参照。本组为后续所有实证分组提供跨分辨率迁移、失配界与零样本超分辨的评价尺度。相关文献:An-Yi Xiao et. al, 2026 等 6 篇文献

分辨率/保真度进入网络参数的方式:多尺度图池化、多保真层级结构与跨网格规模参数迁移

合并三份分组中'以尺度层级与参数映射实现跨网格迁移'的架构工作,共同点是尺度要么被显式做成层级(池化/超节点/虚拟参考网格),要么被做成可迁移的参数映射,因而直接对应'能在新网格上运行/需微调才恢复精度'的分层判定。SGUNET 用DFS池化+参数映射函数在网格规模与分辨率之间做预训练-微调迁移(明确给出'需重新标定才能恢复精度'的一档);ME-GNN 混合图消息传递与均匀网格U-Net多尺度特征;多保真Graph U-Net在粗/细分辨率图之间共享单一网络;点云U-Net用虚拟参考网格规避插值带来的精度损失;快速高斯混合卷积核+AMG图层次+U-Net在非结构网格与未见算例上运行;MeshGIN 提出通用图网络框架;PARTNO 用物理自适应区域划分把全局注意力降到线性复杂度。本组重点核查'单元体积/邻域尺度/层级结构是否进入可迁移参数'。相关文献:Si-Qi Shen et. al, 2025 等 7 篇文献

不变性与离散一致性写进表示本身:规范不变谱变换、无网格离散微分算子与拓扑-几何分离

这一组保留为独立分组,因为其贡献不是'多尺度层级',而是把不变性/恒等式约束构造进表示,从而在理论上排除网格依赖,是网格适应能力最强的架构型证据。GIST 用规范不变谱Transformer显式保证离散化不变且随网格规模线性扩展(faster_by_design 为其在交互式气动设计上的落地版本);GITO 以注意力在任意查询点实现零样本超分辨;无网格多项式矩约束工作学习只依赖局部几何的离散微分算子,因而分辨率无关并可跨粒子构型复用;RHMP 把拓扑(余边界算子)与几何(学习度量)分离,保证微分恒等式与变网格CFD稳定性;enhancing Graph U-Nets 用GMM卷积算子与噪声注入实现mesh-agnostic时空预测并与单保真度GNN/插值方案对比。相关文献:Mattia Rigotti et. al, 2026 等 6 篇文献

非图对照基线:神经算子、CNN与插值后学习的跨网格零样本迁移及横向比较框架

要判断图表示是否带来'可验证'收益,必须有非图基线;本组由两份分组中的对照类文献合并而成。ReBaNO 以约简基+贪心结构实现严格离散不变并宣称优于PCA-Net、DeepONet、FNO、CNO;双分支耦合FNO以截断谱核实现30×110×5→60×220×5零样本粗到细上采样(R²≈0.90)并保持约3倍加速;另有FNO方法类工作、图-卷积网络耦合工作(对照规则栅格CNN与图消息传递的耦合方式)、层级深度学习/算子学习(DeepONet、FNO、PINO、GNN)与经典求解器比较的系统综述、以及数值一致性数据驱动模型的会议摘要。它们用于界定图表示相对插值后学习与谱算子的边际收益。相关文献:Haolan Zheng et. al, 2025 等 6 篇文献

网格几何与尺度特征的编码设计:坐标、流向位置、壁面符号距离、超节点层次与方程项边特征

本组聚焦'模型如何表达物理距离、邻域尺度与连接关系'这一前置机制问题,是判定换网格后精度能否直接保持的根本。具体做法包括:节点坐标+流向归一化位置、边界类型one-hot与壁面符号距离;把网格空间相关特征显式注入图并设计加权损失;以向量化边界条件作为输入;用超节点聚类划分多尺度层次以捕捉非局部压力耦合;把Navier-Stokes方程项作为边特征;用虚拟节点加密提升空间粒度(ST-GPINN)。组内多篇在非结构网格与不同几何上验证,可比对'特征携带尺度信息后精度是否不再依赖具体网格'。相关文献:Riddhiman Raut et. al, 2026 等 6 篇文献

把离散结构与守恒/边界条件写进网络:有限体积、有限元型图网络与物理信息约束嵌入

与前一组的差别在于:这一组不是加特征,而是复刻数值离散结构并强制满足守恒与边界条件,因而其网格适应性主张可被守恒性、边界精度直接检验。FVGP-Net 以有限体积数值微分与边界处理替代自动微分;HydroGraphNet 把质量守恒嵌入损失;基于网格的图网络方法给出网格到图的转换规范;GNN增强有限元以节点坐标与逐节点边界条件为输入并由FEM前后处理读写;有限体积启发型GNN与PIGNN-CFD 把守恒型离散结构与边界条件显式写入网络;可解释物理信息GNN 讨论约束可解释性与精度权衡。共同支撑'换网格后退化是否源于物理约束缺失'的归因。相关文献:Hai-Ming Zhang et. al, 2025 等 7 篇文献

等变/不变对称性与图网络的数值稳定性限制:换网格后精度退化的架构层面解释

保留为独立小分组,因为它回答的是'什么样的建模选择让模型在网格改变时仍然稳定',而非特征或约束的写法。等变与不变表示的受控对比实验说明显式建模不变量可提升长期预测精度;在瞬态热传导上对多种GNN架构与超参的系统比较发现图网络仿真与经典离散格式共享类似的稳定性限制(类比Von Neumann判据)。两者合起来为'是否满足守恒、能谱与耗散指标'提供架构层面解释,也是判断换网格退化是否源自破坏离散恒等式的关键依据。相关文献:Varun Shankar et. al, 2023 等 2 篇文献

变网格适应性的核心实测证据:拓扑变化、非结构节点分布与跨分辨率层级迁移(流动类型与边界条件基本固定)

这是直接回答核心问题的证据组:三份分组中'模型结构被设计为对网格离散不敏感并给出跨网格实测'的文献合并于此。超声速流动在几何与飞行条件变化时拓扑改变,需几何注意力维持泛化;多孔介质多相流GCN在未见过的非规则域与非结构网格上运行;PhysGNN 以物理边权实现跨网格拓扑与分辨率的积分器网格无关性;轴对称热Homann流在未见几何上验证;物理信息GCN从单圆柱推广到双圆柱(几何适应性);多分辨率层级代理实现粗网格到细网格的迁移(需层级迁移/微调才恢复精度)。本组按'能在新网格上运行—能直接保持精度—需重新标定/微调才恢复精度'三档分层呈现,并与其余分组的多因素试验形成对照。相关文献:Ji-Ping Luo et. al, 2026 等 6 篇文献

未见网格上的多步推进:时空图网络、图卷积LSTM与扩散式全局感受野的误差累积与长期稳定性

本组集中回答评估要求中的'多步推进':三份分组的时空与滚动预测文献合并。GCN-LSTM与GAT-LSTM在非结构网格上做时空耦合外推并报告数百倍加速;图卷积LSTM与MeshGraphNet混合结构专门抑制时序误差累积,并泛化到训练集外的网格配置与边界条件;圆柱入水多步预测明确考察误差累积与插值/外推差异;图自由扩散Transformer以全局感受野替代图消息传递,从短轨迹外推到未见雷诺数与几何;另有CO2羽流在多断层介质中的长时迁移预测。共同点是稳定性与跨条件外推能力是其适应性主张的核心证据,但守恒与能谱指标覆盖有限。相关文献:Wei Guo et. al, 2025 等 5 篇文献

亚格子闭合中显式滤波尺度、网格尺度与学习目标的绑定:图与ANN型SGS模型的跨分辨率迁移

把两份分组中的SGS闭合文献合并为两组中的第一组:其共同做法是把滤波宽度/网格尺度显式作为输入或训练条件,因而能回答'换网格时图表示收益能否与未解析尺度变化分离'。多尺度GNN SGS用Gaussian/box双滤波构造训练集、以多尺度Leonard应力与速度涨落为输入、通过无量纲化获得尺度等变,并在训练Re上下方及近壁区做先验、再在通道流上做后验;若干ANN型SGS模型把滤波宽度直接作为特征,非线性代数模型(MANA)用各方向局部网格宽度归一化梯度与张量基,是少数在未见网格分辨率上做后验检验的工作;混合亚滤波尺度模型与strain-rate型模型提供尺度相似项与构造对照;滤波后组分生成率模型把滤波宽度与运行网格匹配、在不重训情况下跨滤波宽度与更粗分辨率检验误差有界,并与需重划网格的CNN基线对比。相关文献:L. Hutin et. al, 2026 等 10 篇文献

CNN/非图LES模型的滤波核、滤波尺度与雷诺数外推受控评估及超分辨粗粒化重建

与前一组的区别在于这一组以非图(CNN/全连接)模型为主,提供'换尺度/换分辨率'的受控评估范式与可对照基线,正是分离'图表示效应'与'未解析尺度效应'所必需的对照材料。内容包括:在BFS上训练并加SGS旋转增强后迁移至槽道、圆柱与Ahmed体;CNN类LES在滤波尺寸、滤波核类型与雷诺数外推上的系统评估;对ANN小尺度速度模型在不同雷诺数下核对能谱与两时间相关;无监督-监督GAN流水线针对极粗网格vLES;GNN/学习型超分辨在结构化非均匀与非结构网格上重建未解析小尺度。相关文献:Jonghwa Park et. al, 2021 等 7 篇文献

以传统数值方法为参照的离散一致性:DG/FEM求解器、收敛阶验证与自适应网格加密/网格生成

本组提供'换网格后精度是否可直接保持'的方法论支点:用图神经网络实现非结构单纯形网格上的间断Galerkin有限元求解器并验证(p+1)阶理论收敛率与算子评估吞吐,把多重网格层次做成U-Net;学习型有限元收敛性建模研究关注精度阶与离散一致性;AdaptNet 分别学习初始网格生成与基于Hessian度量的各向异性自适应加密,在训练中获得分辨率无关的网格求解能力——这直接对应'局部加密方式改变'这一子问题;另有面向网络组分输运追踪的快速传统数值方法,作为离散方案在网络拓扑变化下的参照。相关文献:Linfeng Li et. al, 2024 等 4 篇文献

跨雷诺数、跨边界条件与复杂几何的工程泛化:多因素同时变化下的联合归因证据

合并两份分组中的工程泛化文献:这类研究同时改变网格、雷诺数、边界条件或几何,因此只能支持联合归因,在本报告中作为延伸证据并明确指出其归因局限。内容涵盖机翼瞬态流场预测(ST-SGCN)、双驱方腔与后台阶(ResMLP-GCN,训练Re=100–2000、外推Re=3000)、图网络代理预测框架、城市风场扩散生成模型(消融检验对网格变化的鲁棒性)、城市风RANS重构在留出网格几何/风向/传感器配置上零重训、冰盖PDE代理的域分解与跨子域迁移学习、溃坝洪水多尺度水力GNN(不变性原理+ghost cell时变边界条件,未见非结构网格与地形)、全球海洋预报用非结构网格token化+GNN主干在动能谱保真与地转平衡上超过结构化网格基线并显著降低显存与FLOPs。相关文献:Hao-Ran Xie et. al, 2024 等 8 篇文献

大规模网格上的效率收益:分布式消息传递与图神经网络加速线性求解器

本组直接对应研究问题中的'效率收益'与网格拓扑改变下的实用性。D-MGN 用顶点割分区的分布式消息传递缓解大网格图上的通信开销并给出多卡加速比;基于图卷积网络的代数多重网格光滑子直接面向非结构网格的不规则性,预测稀疏伪逆算子系数,并报告在比训练所见网格大128倍的网格上仍保持效率、能在AirfRANS等未见工业算例上加速收敛。两者构成'网格规模/拓扑变化时图表示带来可测效率收益'的最直接证据,同时提示效率收益须与精度-稳定性代价联合评价。相关文献:Fu Lin et. al, 2025 等 2 篇文献

部署侧外围证据:洪水、地下水与网格质量评估中的效率与长时滚动稳定性(缺乏单因素网格变化归因)

本组是应用与工具侧证据,网格分辨率/拓扑作为背景条件存在但未做'仅改网格'的受控对比,因此在报告中定位为延伸证据。FloodGNN-GRU 在LISFLOOD-FP结构化网格上报告100倍训练、1000倍推理加速;面向非结构网格城市排水的时空图网络报告R²=0.9913;地下水多层蒙特卡洛元模型展示元建模降本;MTGNet 以GNN做多标签网格质量评估,为变网格前处理侧提供线索。合并理由是它们共同说明图表示的工程价值,同时暴露'精度收益是否源于图表示'这一归因链尚未闭合。相关文献:Arnold Kazadi et. al, 2024 等 4 篇文献