基于物理信息神经网络的翼型自适应网格加密

来源：计算物理杂志2026年第1期北京时间：

作者：赵世纪, 梁宏, 朱勇铮, 边鑫

摘要：本文利用物理信息神经网络（PINNs）对传统的自适应网格加密方法（AMR）进行扩展，将描述不可压缩流动的Navier-Stokes方程残差作为细化指标来指导非结构三角形网格加密。首先通过传统有限体积法求解粗网格对应的流场，其次提取网格上的流场数据并融合物理信息训练PINNs，利用训练好的模型预测粗网格每个单元中心的方程残差，挑选出固定数目且中心残差较大的网格单元，最后采用基于网格单元最大面积约束的Delaunay三角化算法对其细化。循环以上步骤对网格进行加密，直至所关注的物理量随着网格数目趋于收敛。在雷诺数为1000的不可压缩翼型绕流场景中，与Fluent中的传统AMR框架相比，采用本框架优化得到的升阻力系数与参考解吻合良好，且大幅减少了细化后最优网格的单元数量。

关键词：网格自适应加密, 机器学习, 非结构网格, 翼型, 升阻力系数