基于无监督学习的飞行器表面网格平滑方法

doi:10.7527/S1000-6893.2025.31172

飞行器设计生成式模型专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于无监督学习的飞行器表面网格平滑方法

王志超¹^,², 陈新海¹^,²(), 邓亮³, 刘杨³, 庞宇飞³, 刘杰¹^,²

^1.国防科技大学高端装备数字化软件湖南省重点实验室，长沙 410073
^2.国防科技大学并行与分布处理重点实验室，长沙 410073
^3.中国空气动力研究与发展中心，绵阳 621000

收稿日期:2024-09-09 修回日期:2024-12-10 接受日期:2025-01-09 出版日期:2025-02-11 发布日期:2025-02-06
通讯作者: 陈新海 E-mail:chenxinhai16@nudt.edu.cn
基金资助:
国家自然科学基金(12402349);湖南省自然科学基金(2024JJ6468);国防科技大学青年基金(ZK2023-11);国家重点研发计划(2021YFB0300101)

A surface mesh smoothing method for aircraft based on unsupervised learning

Zhichao WANG¹^,², Xinhai CHEN¹^,²(), Liang DENG³, Yang LIU³, Yufei PANG³, Jie LIU¹^,²

^1.Laboratory of Digitizing Software for Frontier Equipment，National University of Defense Technology，Changsha 410073，China
^2.Science and Technology on Parallel and Distributed Processing Laboratory，National University of Defense Technology，Changsha 410073，China
^3.China Aerodynamics Research and Development Center，Mianyang 621000，China

Received:2024-09-09 Revised:2024-12-10 Accepted:2025-01-09 Online:2025-02-11 Published:2025-02-06
Contact: Xinhai CHEN E-mail:chenxinhai16@nudt.edu.cn
Supported by:
National Natural Science Foundation of China(12402349);Natural Science Foundation of Hunan Province(2024JJ6468);Youth Foundation of the National University of Defense Technology(ZK2023-11);National Key Research and Development Program of China(2021YFB0300101)

摘要/Abstract

摘要：

在面向飞行器设计的数值模拟中，网格平滑方法是提升前处理流程中网格质量、减少模拟误差的重要手段。传统的优化式平滑方法受限于复杂的迭代求解过程，存在内存开销大、计算效率低等问题。为解决该问题，已有的智能化平滑方法采用神经网络拟合平滑过程，能够实现平滑效率、质量的平衡。然而，已有的方法在应用到三维表面网格时通常采用投影操作或有监督学习来保证网格点的贴体性，引入额外的计算或数据生成开销。基于无监督学习技术、局部曲面拟合，搭建了面向飞行器表面网格的智能化平滑代理模型GMSNet3D。模型设计了面向表面网格平滑的无监督损失函数，实现了无须高质量监督数据下的智能训练；模型还创新性地引入局部曲面坐标变换来保证平滑后网格点的贴体性。实验结果证明，GMSNet3D采用的局部曲面坐标变换方法相比已有方法的投影操作实现了13.82倍的加速比；同时，在保证网格平滑质量的同时，GMSNet3D相比传统的优化式平滑方法实现了29.81倍的优化效率提升。

关键词: 飞行器设计, 网格平滑, 局部曲面拟合, 优化式平滑方法, 无监督学习

Abstract:

In numerical simulations for aircraft design， mesh smoothing methods are crucial for enhancing mesh quality in the preprocessing stage and reducing simulation errors. Traditional optimization-based smoothing methods are limited by complex iterative solving processes， leading to high memory consumption and low computational efficiency. To address these issues， existing intelligent smoothing methods use neural networks to learn the smoothing process， achieving a balance between smoothing efficiency and quality. However， when applied to three-dimensional surface meshes， these methods often rely on projection operations or supervised learning to ensure mesh node conformity， which introduces additional computation or data generation overhead. This study develops an intelligent smoothing surrogate model， GMSNet3D， specifically designed for aircraft surface meshes， based on unsupervised learning techniques and local surface fitting. The model uses an unsupervised loss function tailored for surface mesh smoothing， enabling intelligent training without the need for high-quality supervised data. Furthermore， the model innovatively introduces local surface coordinate transformation to ensure the conformity of smoothed mesh nodes. Experimental results demonstrate that the local surface coordinate transformation method used in the GMSNet3D model achieves a speedup of 13.82 times compared to projection operations in existing methods. Additionally， while maintaining mesh smoothing quality， GMSNet3D achieves a 29.81-fold improvement in optimization efficiency compared to traditional optimization-based smoothing methods.

Key words: aircraft design, mesh smoothing, local surface fitting, optimization-based smoothing method, unsupervised learning

中图分类号:

V211.7

王志超, 陈新海, 邓亮, 刘杨, 庞宇飞, 刘杰. 基于无监督学习的飞行器表面网格平滑方法[J]. 航空学报, 2025, 46(10): 631172.

Zhichao WANG, Xinhai CHEN, Liang DENG, Yang LIU, Yufei PANG, Jie LIU. A surface mesh smoothing method for aircraft based on unsupervised learning[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(10): 631172.

图/表 14

图 1

图 2

图 3

图 4

表 1

图 5

图 6

图 7

图 8

图 9

图 10

表 2

表 3

表 4

参考文献 40

1	GU X Y， CIAMPA P D， NAGEL B. An automated CFD analysis workflow in overall aircraft design applications［J］. CEAS Aeronautical Journal， 2018， 9（1）： 3-13.
2	MCCORMICK D J. An analysis of using CFD in conceptual aircraft design［D］. Blacksburg： Virginia Polytechnic Institute and State University， 2002.
3	RAJ P. Aircraft design in the 21st century-Implications for design methods‍［C］‍∥29th AIAA， Fluid Dynamics Conference. Reston： AIAA， 1998.
4	VIVIANI A， APROVITOLA A， PEZZELLA G， et al. CFD design capabilities for next generation high-speed aircraft［J］. Acta Astronautica， 2021， 178： 143-158.
5	KNUPP P M. Algebraic mesh quality metrics for unstructured initial meshes‍［J］. Finite Elements in Analysis and Design， 2003， 39（3）： 217-241.
6	KNUPP P M. Algebraic mesh quality metrics［J］. SIAM Journal on Scientific Computing， 2001， 23（1）： 193-218.
7	KNUPP P. Remarks on mesh quality‍［R］. Albuquerque： Sandia National Lab.， 2007.
8	PRASAD T. A comparative study of mesh smoothing methods with flipping in 2D and 3D［D］. Camden： Rutgers University-Camden Graduate School， 2018.
9	FIELD D A. Laplacian smoothing and delaunay triangulations‍［J］. Communications in Applied Numerical Methods， 1988， 4（6）： 709-712.
10	ZHOU T X， SHIMADA K. An angle-based approach to two-dimensional mesh smoothing‍［C］‍∥International Meshing Roundtable Conference， 2000. Albuquerque： Sandia National Laboratories， 2000： 373-384.
11	VARTZIOTIS D， PAPADRAKAKIS M. Improved GETMe by adaptive mesh smoothing［J］. Computer Assisted Methods in Engineering and Science， 2017， 20（1）： 55-71.
12	SCOTT A CANANN S A SA， TRISTANO J J R， STATEN M M L. An approach to combined Laplacian and optimization-based smoothing for triangular， quadrilateral， and quad-dominant meshes［J］. 7th International Meshing Roundtable， 1998： 479-494.
13	WANG J， YU Z Y. Quality mesh smoothing via local surface fitting and optimum projection‍［J］. Graphical Models， 2011， 73（4）： 127-139.
14	PARTHASARATHY V N， KODIYALAM S. A constrained optimization approach to finite element mesh smoothing‍［J］. Finite Elements in Analysis and Design， 1991， 9（4）： 309-320.
15	GUO Y F， WANG C R， MA Z， et al. A new mesh smoothing method based on a neural network［J］. Computational Mechanics， 2022， 69（2）： 425-438.
16	WANG Z C， CHEN X H， YAN J J， et al. Proposing an intelligent mesh smoothing method with graph neural networks［DB/OL］. arXiv Preprint： 2311.12815， 2023.
17	WANG N H， ZHANG L P， DENG X G. Unstructured surface mesh smoothing method based on deep reinforcement learning‍［J］. Computational Mechanics， 2024， 73（2）： 341-364.
18	DU Q， GUNZBURGER M. Grid generation and optimization based on centroidal Voronoi tessellations‍［J］. Applied Mathematics and Computation， 2002， 133（2-3）： 591-607.
19	DU Q， WANG D S. Tetrahedral mesh generation and optimization based on centroidal Voronoi tessellations［J］. International Journal for Numerical Methods in Engineering， 2003， 56（9）： 1355-1373.
20	CHEN X H， LIU J， GONG C Y， et al. MVE-net： an automatic 3-D structured mesh validity evaluation framework using deep neural networks‍［J］. Computer-Aided Design， 2021， 141： 103104.
21	CHEN X H， LI T J， WAN Q， et al. MGNet： a novel differential mesh generation method based on unsupervised neural networks‍［J］. Engineering with Computers， 2022， 38（5）： 4409-4421.
22	ZHANG Z Y， JIMACK P K， WANG H. MeshingNet3D： Efficient generation of adapted tetrahedral meshes for computational mechanics［J］. Advances in Engineering Software， 2021， 157： 103021.
23	WANG Z C， CHEN X H， LI T J， et al. Evaluating mesh quality with graph neural networks［J］. Engineering with Computers， 2022， 38（5）： 4663-4673.
24	ALLIEGRO A， SIDDIQUI Y， TOMMASI T， et al. PolyDiff： Generating 3D polygonal meshes with diffusion models［DB/OL］. arXiv preprint： 2312.11417， 2023.
25	CROITORU F A， HONDRU V， IONESCU R T， et al. Diffusion models in vision： A survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（9）： 10850-10869.
26	SIDDIQUI Y， ALLIEGRO A， ARTEMOV A， et al. MeshGPT： Generating triangle meshes with decoder-only transformers‍［DB/OL］. arXiv preprint： 2311.15475， 2023.
27	YUE H J， LI Z Y， XU K R， et al. Three-dimensional hyperbolic mesh generation method based on the neural network［J］. Applied Sciences， 2024， 14（24）： 11931.
28	SONG W B， ZHANG M R， WALLWORK J G， et al. M2N： Mesh movement networks for PDE solvers［DB/OL］. arXiv preprint： 2204.11188， 2022.
29	DURKAN C， BEKASOV A， MURRAY I， et al. Neural spline flows［DB/OL］. arXiv preprint： 1906.04032， 2019.
30	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks‍［DB/OL］. arXiv preprint： 1710.10903， 2017.
31	ZHANG M R， WANG C Y， KRAMER S， et al. Towards universal mesh movement networks‍［DB/OL］. arXiv preprint： 2407.00382， 2024.
32	WIERING M， VAN OTTERLO M. Reinforcement learning： State-of-the-art： Issue 12［M］. Berlin， Heidelberg： Springer， 2012.
33	MARSCHNER S， SHIRLEY P. Fundamentals of Computer Graphics‍［J］. 4th ed. Boca Raton： A K Peters/CRC Press， 2018.
34	WU Z H， PAN S R， CHEN F W， et al. A comprehensive survey on graph neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（1）： 4-24.
35	DIKE H U， ZHOU Y， DEVEERASETTY K K， et al. Unsupervised learning based on artificial neural network： A review‍［C］‍∥2018 IEEE International Conference on Cyborg and Bionic Systems （CBS）. Piscataway： IEEE Press， 2018： 322-327.
36	GORDON W J， RIESENFELD R F. B-spline curves and surfaces‍［M］‍∥Computer Aided Geometric Design. Amsterdam： Elsevier， 1974： 95-126.
37	RAMPÁŠEK L， GALKIN M， DWIVEDI V P， et al. Recipe for a general， powerful， scalable graph transformer［DB/OL］. arXiv preprint： 2205.12454， 2022.
38	SHI Y S， HUANG Z J， FENG S K， et al. Masked label prediction： unified message passing model for semi-supervised classification‍［DB/OL］. arXiv preprint： 2009.03509， 2020.
39	SORGENTE T， BIASOTTI S， MANZINI G， et al. A survey of indicators for mesh quality assessment‍［J］. Computer Graphics Forum， 2023， 42（2）： 461-483.
40	DOZAT T. Incorporating nesterov momentum into adam［C］‍∥Proceedings of the 4th International Conference on Learning Representations （ICLR）. 2016.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

网格单元大小	网格点数量	网格单元数量
0.10	4 885	4 744
0.25	826	767
0.50	255	224

平滑方法	归一化雅可比
平滑方法	案例1	案例2	案例3
Laplacian平滑方法	0.94	0.97	0.98
基于角度的平滑方法	0.83	0.95	0.97
CVT平滑方法	0.89	0.96	0.97
优化式平滑方法	0.88	0.95	0.97
NN-Smoothing平滑方法	0.89	0.96	0.97
GMSNet3D	0.91	0.97	0.98

方法	N	时间效率
投影方法	25	3.00×10^-4
	100	9.49×10^-4
	400	3.43×10^-3
	10 000	9.44×10^-2
局部曲面坐标变换		2.17×10^-5

平滑方法	计算投影（变换）前坐标	平滑总时间
Laplacian平滑方法	4.87×10^-5	3.48×10^-3
基于角度的平滑方法	3.07×10^-4	3.74×10^-3
CVT平滑方法	5.05×10^-2	5.39×10^-2
优化式平滑方法	4.49×10^-2	4.83×10^-2
NN-Smoothing平滑方法	7.14×10^-5	3.50×10^-3
GMSNet3D	1.60×10^-3	1.62×10^-3

[1]	张艳华, 张登成, 周章文, 雷玉昌, 李林. 基于环量控制的虚拟舵面飞行器概念与设计综述[J]. 航空学报, 2024, 45(6): 629608-629608.
[2]	李益文, 邓朝晖, 刘涛, 卓荣锦, 李重阳, 吕黎曙. 切削加工过程中颤振在线监测研究综述[J]. 航空学报, 2023, 44(11): 27562-027562.
[3]	孙秀一, 胡绍海, 马晓乐. 基于无监督深度学习的红外与可见光图像融合[J]. 航空学报, 2022, 43(S1): 726938-726938.
[4]	周健, 龚春林, 粟华, 张孝南, 李波, 谷良贤. 飞行器体系优化设计问题[J]. 航空学报, 2018, 39(11): 222223-222235.
[5]	韩忠华. Kriging模型及代理优化算法研究进展[J]. 航空学报, 2016, 37(11): 3197-3225.
[6]	龚学兵, 王日新, 徐敏强. 基于数据关联性分析的飞轮异常检测[J]. 航空学报, 2015, 36(3): 898-906.
[7]	吴宝林;曹喜滨;任子武 . 一种长期稳定的卫星编队队形优化设计方法[J]. 航空学报, 2007, 28(1): 167-172.
[8]	柳新民;刘冠军;邱静;胡茑庆. 基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用[J]. 航空学报, 2006, 27(3): 453-458.
[9]	何麟书;王书河;张玉珠. 飞行器多学科综合设计新算法[J]. 航空学报, 2004, 25(5): 465-469.

基于无监督学习的飞行器表面网格平滑方法

A surface mesh smoothing method for aircraft based on unsupervised learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 40

相关文章 9

编辑推荐

Metrics

本文评价