图神经网络移动/变形网格非定常流场多步推进与未见边界运动及网格的适应性:振荡圆柱、俯仰翼型、往复运动物体、双向流固耦合

判定框架与检索逻辑:物理边界运动、网格随动变形、重网格与自适应加密的区分

承接两份初始化分组的“研究范围与判定框架”设想,作为全文分类坐标与检索说明,不绑定文献。明确四条区分轴:(1) 物理边界运动 vs 网格随边界变形 vs 重网格导致连接关系变化 vs 固定边界下自适应加密;(2) 预测对象(流场、流体载荷、网格位置/加密方案);(3) 推进模式(一步预测、真值逐步校正、仅由初始场出发的自由多步);(4) 测试时未来边界运动与网格的来源(是否取自参考CFD的未来网格)。并说明以 zhao2026ale、lange2026spatio 为起点的前序/后序追踪路径与文献纳排标准。

    移动/变形网格上GNN时空推进的主线:显式边界运动信息、ALE一致更新与多步误差累积

    两份分组在此处高度重叠,合并为主线段:均为在非结构/动网格上用图神经网络(或其算子化变体)做非定常流场时空推进,输入逐帧节点坐标、连接关系与壁面/网格运动信息,关注自由多步推进的误差累积与未见运动轨迹/网格的泛化。dynamic_mesh_boundary_aware_temporal_graph_neural_operator(lange2026spatio 起点)与 a_mesh_based_graph_neural_network_approach(zhao2026ale 方向的ALE动网格GNN)为两条追踪起点;a_physics_informed_graph_neural_network_method 提供物理约束版对照;spatio_temporal_graph_neural_network_for_multi_step 给出入水动边界算例的多步预测、插值/外推泛化与消融(是否显式加入运动信息)。

    面向变几何与跨网格泛化的GNN代理:旋转不变输入、ghost cell时变边界条件与物理损失

    合并“几何/网格泛化型GNN代理”与初始化分组中的泛化评测意图,但与主线区分:重点不在ALE推进,而在训练集外几何/网格的可迁移性与时变边界条件的注入方式。含变几何叶轮机非定常/时均场预测、非结构网格跨网格泛化、旋转不变输入设计、ghost cell施加时变边界条件以降低对求解器初值依赖,以及CO2运移中引入质量守恒、相平衡与Darcy渗流损失提升未见地质构型泛化。为“网格泛化评测协议”和‘边界条件如何进入模型’提供对照来源。

    非图时序深度模型基线:振荡翼型与振荡圆柱的ConvLSTM与混合网络

    保留为独立对照组,是判断“收益来自图结构还是时序建模本身”的必要对照。以卷积LSTM及动力学特征增强变体、混合深度网络在振荡翼型/振荡圆柱等移动边界算例上做时空预测,并在相同算例、相似输入长度下比较预测与泛化误差;同时充当俯仰翼型/振荡圆柱代表算例的数据与指标(力与力矩幅值/相位、可用推进时长)来源。

    双向流固耦合:网格—流场—结构联合演化与闭环稳定性

    两份分组仅在一侧出现,但属任务定义上的独立方向(结构运动由流体力反馈决定而非外部给定)。评价重点从单步精度转向闭环稳定性、载荷幅值与相位、长时间耦合推进能力;同时用于区分“给定结构运动下的预测”与“载荷反馈后的闭环验证”,避免把任务难度差异误判为方法收益。含GNN代理与超图神经网络代理两支。本批文献对该方向的覆盖有限,需后续单独追踪补充。

    固定网格时空GNN与物理约束注入:多尺度、等变与物理引导节点特征

    合并初始化分组中“多尺度/等变/高效GNN架构”与“固定网格时空GNN与物理约束”两组:共同点是网格静止或未显式移动,聚焦GNN架构与物理先验本身——多尺度图粗化与消息传递、旋转等变、因果自注意力、GCN/GAT-LSTM、物理引导节点特征、物理约束消息传递与Roe格式增强、多处理器与混合精度训练。它们不回答移动网格问题,但提供可迁移训练组件,并构成“普通图更新 vs 物理/ALE一致更新”和“GNN vs 非图模型”的架构基线。

    学习驱动的网格生成、重网格、平滑与自适应加密(网格位置与加密方案预测)

    合并两份分组中同属“预测对象为网格本身而非流场”的工作:初始网格生成、基于Hessian度量的各向异性自适应加密、结构网格光顺与顶点质量参数、ALE模拟中网格松弛参数的学习式替代,以及GNN增强的虚拟元/有限体积混合以嵌入守恒约束。它们回答“重网格后新网格从何而来、场量如何迁移守恒”的前置问题,并界定了“网格随动变形 vs 重网格 vs 固定边界自适应加密”的任务边界,提供跨分辨率/拓扑训练的对照。

    ALE描述与几何守恒律(GCL)的数值理论基准

    两份分组此部分文献高度重合,合并为一组纯数值基准(不含机器学习):满足GCL的有限元格式、移动壁面条件与相对网格输运、高阶有限差分的度量评估与对称守恒度量、以及GCL重要性的经典讨论。为判断GNN更新是否ALE一致、移动壁面条件残差是否收敛、重网格插值是否守恒提供判据;需强调GCL为必要非充分条件,不能替代跨网格插值守恒核查。

    高保真动网格数值方法与往复运动代表算例(真值与数据来源)

    保留为独立的数据/真值生成侧:ALE移动网格生成与高阶格式、二维Riemann求解器两相移动网格格式(含节点速度与守恒处理)、移动网格WENO、基于移动网格的格式,以及液舱晃荡等往复/振荡边界典型算例。它们提供连续流场、逐帧网格与边界运动轨迹,是核查“测试时未来网格是否取自参考CFD”、“力/力矩幅值与相位”与“可用多步推进时长”的关键数据来源,也与学习式网格生成组形成“真值—学习”对照。

    泛化与归因审计:跨轨迹/跨网格实验设计的统一核查表

    合并两份分组的“泛化证据审计”与“归因审计”为一节方法学审计,覆盖全部分组文献而不新增文献:(1) 运动泛化——是否固定几何与雷诺数、留出整套振幅/频率/轨迹,属训练范围内插、范围外外推还是微调迁移;(2) 网格泛化——是否保持物理运动相同而仅改布点、分辨率或拓扑;(3) 归因——仅瞬时坐标 vs 显式加入壁面/网格速度、普通图更新 vs ALE一致更新、同等输入下GNN vs 非图模型,并核对初始场、运动信息、网格、时间步与计算成本是否一致;(4) 双向FSI区分给定运动预测与载荷反馈闭环验证。是全文结论的核心判据。

      证据缺口与优先实验设计:未见轨迹自由多步推进、跨拓扑迁移与运动信息消融

      全文收束节,不新增文献。基于各分组核查结果总结:已有工作是否在整套未见运动轨迹上验证自由多步推进(而非真值校正)、跨网格测试是否只改变布点/分辨率/拓扑、受控对照能否把收益归于图结构与明确运动信息;评估振荡圆柱、俯仰翼型、往复运动物体等代表算例是否开放连续流场、逐帧网格、边界运动、载荷与可运行代码;据此提出优先实验:未见轨迹上的自由多步推进基准、跨拓扑网格零样本迁移与微调对照、以及“显式运动信息/ALE一致性约束”的必要性消融,并标注双向FSI闭环稳定性证据缺失。

        图神经网络移动/变形网格非定常流场多步推进与未见边界运动及网格的适应性:振荡圆柱、俯仰翼型、往复运动物体、双向流固耦合

        合并后形成“判定框架—主线—对照—前置—基准—数据—审计”的统一结构。主线为动/变形网格上GNN的时空推进与显式边界运动信息、ALE一致更新(以 zhao2026ale、lange2026spatio 为追踪起点,含物理约束版与入水动边界多步算例);相邻对照为变几何/跨网格泛化的GNN代理(旋转不变输入、ghost cell时变边界条件、物理损失)与非图时序模型基线(振荡翼型/振荡圆柱的ConvLSTM与混合网络);相邻方向为双向流固耦合的联合演化与闭环稳定性;可迁移组件与架构基线为固定网格时空GNN(多尺度、等变、因果注意力、物理约束消息传递、Roe增强)。前置问题由学习式网格生成/重网格/平滑/自适应加密与GNN增强的虚拟元-有限体积混合界定;数值理论基准由ALE-GCL文献提供(GCL为必要非充分条件);高保真动网格格式与液舱晃荡等往复运动算例提供连续流场、逐帧网格与边界运动真值。最后以统一核查表审计三点:是否在整套未见运动轨迹上验证多步推进、跨网格是否只改布点/分辨率/拓扑、受控对照能否归因于图结构/显式运动信息/一致性约束,并指出双向FSI闭环稳定性与移动边界GNN推进两处证据缺口及优先实验设计。

        让 AI 读完这 44 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 40 篇文献,11 个研究方向
        判定框架与检索逻辑:物理边界运动、网格随动变形、重网格与自适应加密的区分

        承接两份初始化分组的“研究范围与判定框架”设想,作为全文分类坐标与检索说明,不绑定文献。明确四条区分轴:(1) 物理边界运动 vs 网格随边界变形 vs 重网格导致连接关系变化 vs 固定边界下自适应加密;(2) 预测对象(流场、流体载荷、网格位置/加密方案);(3) 推进模式(一步预测、真值逐步校正、仅由初始场出发的自由多步);(4) 测试时未来边界运动与网格的来源(是否取自参考CFD的未来网格)。并说明以 zhao2026ale、lange2026spatio 为起点的前序/后序追踪路径与文献纳排标准。

        移动/变形网格上GNN时空推进的主线:显式边界运动信息、ALE一致更新与多步误差累积

        两份分组在此处高度重叠,合并为主线段:均为在非结构/动网格上用图神经网络(或其算子化变体)做非定常流场时空推进,输入逐帧节点坐标、连接关系与壁面/网格运动信息,关注自由多步推进的误差累积与未见运动轨迹/网格的泛化。dynamic_mesh_boundary_aware_temporal_graph_neural_operator(lange2026spatio 起点)与 a_mesh_based_graph_neural_network_approach(zhao2026ale 方向的ALE动网格GNN)为两条追踪起点;a_physics_informed_graph_neural_network_method 提供物理约束版对照;spatio_temporal_graph_neural_network_for_multi_step 给出入水动边界算例的多步预测、插值/外推泛化与消融(是否显式加入运动信息)。相关文献:Jin-Heng Yang et. al, 2026 等 4 篇文献

        面向变几何与跨网格泛化的GNN代理:旋转不变输入、ghost cell时变边界条件与物理损失

        合并“几何/网格泛化型GNN代理”与初始化分组中的泛化评测意图,但与主线区分:重点不在ALE推进,而在训练集外几何/网格的可迁移性与时变边界条件的注入方式。含变几何叶轮机非定常/时均场预测、非结构网格跨网格泛化、旋转不变输入设计、ghost cell施加时变边界条件以降低对求解器初值依赖,以及CO2运移中引入质量守恒、相平衡与Darcy渗流损失提升未见地质构型泛化。为“网格泛化评测协议”和‘边界条件如何进入模型’提供对照来源。相关文献:Sebastian Strönisch et. al, 2024 等 3 篇文献

        非图时序深度模型基线:振荡翼型与振荡圆柱的ConvLSTM与混合网络

        保留为独立对照组,是判断“收益来自图结构还是时序建模本身”的必要对照。以卷积LSTM及动力学特征增强变体、混合深度网络在振荡翼型/振荡圆柱等移动边界算例上做时空预测,并在相同算例、相似输入长度下比较预测与泛化误差;同时充当俯仰翼型/振荡圆柱代表算例的数据与指标(力与力矩幅值/相位、可用推进时长)来源。相关文献:Rong Han et. al, 2026 等 2 篇文献

        双向流固耦合:网格—流场—结构联合演化与闭环稳定性

        两份分组仅在一侧出现,但属任务定义上的独立方向(结构运动由流体力反馈决定而非外部给定)。评价重点从单步精度转向闭环稳定性、载荷幅值与相位、长时间耦合推进能力;同时用于区分“给定结构运动下的预测”与“载荷反馈后的闭环验证”,避免把任务难度差异误判为方法收益。含GNN代理与超图神经网络代理两支。本批文献对该方向的覆盖有限,需后续单独追踪补充。相关文献:Aarshana R. Parekh et. al, 2025 等 2 篇文献

        固定网格时空GNN与物理约束注入:多尺度、等变与物理引导节点特征

        合并初始化分组中“多尺度/等变/高效GNN架构”与“固定网格时空GNN与物理约束”两组:共同点是网格静止或未显式移动,聚焦GNN架构与物理先验本身——多尺度图粗化与消息传递、旋转等变、因果自注意力、GCN/GAT-LSTM、物理引导节点特征、物理约束消息传递与Roe格式增强、多处理器与混合精度训练。它们不回答移动网格问题,但提供可迁移训练组件,并构成“普通图更新 vs 物理/ALE一致更新”和“GNN vs 非图模型”的架构基线。相关文献:M. Lino et. al, 2022 等 8 篇文献

        学习驱动的网格生成、重网格、平滑与自适应加密(网格位置与加密方案预测)

        合并两份分组中同属“预测对象为网格本身而非流场”的工作:初始网格生成、基于Hessian度量的各向异性自适应加密、结构网格光顺与顶点质量参数、ALE模拟中网格松弛参数的学习式替代,以及GNN增强的虚拟元/有限体积混合以嵌入守恒约束。它们回答“重网格后新网格从何而来、场量如何迁移守恒”的前置问题,并界定了“网格随动变形 vs 重网格 vs 固定边界自适应加密”的任务边界,提供跨分辨率/拓扑训练的对照。相关文献:Jingzhu Pei et. al, 2025 等 7 篇文献

        ALE描述与几何守恒律(GCL)的数值理论基准

        两份分组此部分文献高度重合,合并为一组纯数值基准(不含机器学习):满足GCL的有限元格式、移动壁面条件与相对网格输运、高阶有限差分的度量评估与对称守恒度量、以及GCL重要性的经典讨论。为判断GNN更新是否ALE一致、移动壁面条件残差是否收敛、重网格插值是否守恒提供判据;需强调GCL为必要非充分条件,不能替代跨网格插值守恒核查。相关文献:R. Ma et. al, 2015 等 9 篇文献

        高保真动网格数值方法与往复运动代表算例(真值与数据来源)

        保留为独立的数据/真值生成侧:ALE移动网格生成与高阶格式、二维Riemann求解器两相移动网格格式(含节点速度与守恒处理)、移动网格WENO、基于移动网格的格式,以及液舱晃荡等往复/振荡边界典型算例。它们提供连续流场、逐帧网格与边界运动轨迹,是核查“测试时未来网格是否取自参考CFD”、“力/力矩幅值与相位”与“可用多步推进时长”的关键数据来源,也与学习式网格生成组形成“真值—学习”对照。相关文献:Masroor Hussain et. al, 2011 等 5 篇文献

        泛化与归因审计:跨轨迹/跨网格实验设计的统一核查表

        合并两份分组的“泛化证据审计”与“归因审计”为一节方法学审计,覆盖全部分组文献而不新增文献:(1) 运动泛化——是否固定几何与雷诺数、留出整套振幅/频率/轨迹,属训练范围内插、范围外外推还是微调迁移;(2) 网格泛化——是否保持物理运动相同而仅改布点、分辨率或拓扑;(3) 归因——仅瞬时坐标 vs 显式加入壁面/网格速度、普通图更新 vs ALE一致更新、同等输入下GNN vs 非图模型,并核对初始场、运动信息、网格、时间步与计算成本是否一致;(4) 双向FSI区分给定运动预测与载荷反馈闭环验证。是全文结论的核心判据。

        证据缺口与优先实验设计:未见轨迹自由多步推进、跨拓扑迁移与运动信息消融

        全文收束节,不新增文献。基于各分组核查结果总结:已有工作是否在整套未见运动轨迹上验证自由多步推进(而非真值校正)、跨网格测试是否只改变布点/分辨率/拓扑、受控对照能否把收益归于图结构与明确运动信息;评估振荡圆柱、俯仰翼型、往复运动物体等代表算例是否开放连续流场、逐帧网格、边界运动、载荷与可运行代码;据此提出优先实验:未见轨迹上的自由多步推进基准、跨拓扑网格零样本迁移与微调对照、以及“显式运动信息/ALE一致性约束”的必要性消融,并标注双向FSI闭环稳定性证据缺失。