ZienkiFlowNet — Surrogate CFD par réseau de neurones sur graphes
Réseau de neurones sur graphes (GCNN) pour remplacer des calculs CFD coûteux dans les boucles d'optimisation de turbines hydrauliques.
Contexte
Chez GE Hydro, les optimisations de design de turbines nécessitent des centaines de calculs CFD, chacun prenant plusieurs heures. L'objectif était de créer un modèle de substitution capable de prédire les performances hydrauliques en quelques secondes.
Approche
Utilisation de réseaux de neurones sur graphes (Graph Convolutional Neural Networks) avec PyTorch Geometric. Le maillage CFD est directement utilisé comme graphe d'entrée, préservant la topologie et la géométrie. Entraînement sur un dataset de simulations CFD existantes.
Difficultés techniques
Représentation efficace de maillages 3D complexes en graphes, gestion de la variabilité géométrique entre designs, compromis précision/temps d'inférence, généralisation à des géométries non vues.
Résultat
Modèle capable de prédire les champs de pression et de vitesse avec une erreur relative inférieure à 3%, en quelques secondes contre plusieurs heures pour un calcul CFD complet. Accélération du processus d'optimisation d'un facteur 100+.