基于图卷积的一维平流方程空间离散化数值求解加速方法

本文提出了一种基于图卷积神经网络的偏微分方程空间离散化数值求解加速方法,并将该方法应用于求解一维平流方程的研究中,实现了一维平流方程的加速求解。并设计了基于图卷积的一维平流方程空间离散化神经网络模型(GCPNN),其在物理先验知识指导下基于图模型利用空间图结构特征进行一维平流方程空间离散化求解加速方案建模,在构建图结构关系过程中,基于物理先验知识建立邻接矩阵,利用邻接矩阵融合了全局信息,从而实现了一维平流方程的加速求解。并且通过设计对比实验和消融实验验证了基于GCPNN的求解器相较于基线求解器和CNN求解器在求解精度和计算成本方面的优势,且验证了加入物理先验知识指导及全局信息融合的有效性。