Unstructured surface mesh smoothing method based on deep reinforcement learning

doi:10.1007/s00466-023-02370-3

Unstructured surface mesh smoothing method based on deep reinforcement learning

2023-08-23

0

OA

AI

DOI：10.1007/s00466-023-02370-3

原文链接

原文求助

摘要

En 中文

摘要在计算流体动力学模拟或有限元分析等数值模拟中，网格质量直接影响并显著影响模拟精度。平滑是网格生成实践中最广泛采用的方法之一，用于提高非结构化网格质量。与基于优化的平滑方法相比，启发式平滑方法效率较高，但生成的网格质量较低。以往的研究一直在追求平滑效率与网格质量之间的平衡。本文提出了一种新的平滑方法，该方法在Deep Deterministic Policy Gradient（DDPG）框架下，结合了启发式拉普拉斯方法和基于优化方法的优点，基于深度强化学习。在该框架中，执行者人工神经网络根据其周围环形节点预测每个内部自由节点的最优位置。同时，建立了一个批评者网络，以网格质量作为输入，输出执行者网络采取动作的奖励。网络训练将最大化累积长期奖励，最终最大化网格质量。所提出方法的训练和验证分别在二维三角形网格和三维表面网格上进行，展示了该方法的效率和网格质量。最后，在扰动网格和平滑网格上进行了数值模拟并进行比较，证明了网格质量对模拟精度的影响。

Unstructured surface mesh smoothing method based on deep reinforcement learning

摘要

期刊

机构

引用论文