基于情境化神经算子的空气动力学风阻预测

【摘要】 在汽车、飞机等工业产品设计中,降低整体风阻系数可以显著降低能源消耗。传统方法通过CFD模拟仿真通常需要大量计算资源,难以满足产品快速迭代的要求。随着人工智能技术领域的发展,深度模型在风阻、风压预测任务中展现出了较强的捕捉复杂几何形态关键特征能力,并且更为高效。然而,这类黑盒模型在特征与标签之间建立高维映射时忽视了物理规律的约束,并且往往缺乏可解释性。针对上述挑战,本研究提出了一种融合数据驱动和物理机理的计算方法。该方法采用图神经网络学习车辆表面的拓扑和几何特征,并通过双向注意力机制增强特征提取和信息传递,从而预测汽车表面的风压分布。此外,本文还引入了一个机理融合模块,综合考虑风阻、迎风面积、车速等物理因素并结合公式计算,进一步提高了风阻系数的预测准确率。在汽车表面风压及风阻系数预测的实验验证中,本方法相较于传统模型表现出更高的预测准确性,与传统数据驱动方法相比,本方法具有更低的计算开销和更高的预测精度。更多还原