一种基于深度学习的颗粒流体两相流模拟与反向优化方法

本发明涉及流体力学与机器学习交叉技术领域，公开了一种基于深度学习的颗粒流体两相流模拟与反向优化方法：构建基于融合离散元方法与光滑粒子流体动力学的两相流耦合仿真框架，并引入颗粒‑流体间的拖曳力、浮力及毛细力作用，利用GPU并行加速提升计算效率；采用图神经网络建立粒子级动态交互建模框架，独立处理固体颗粒与流体粒子的编码与预测；进一步开发可微分逆向设计体系，结合GNN的自动微分特性，围绕流动坍塌程度、质心偏移等目标函数，基于梯度下降方法动态优化流动控制结构的布局参数，实现两相流破坏性行为的有效抑制与系统性能优化。该方法兼具高精度仿真与高效优化能力，适用于堤坝溃决、泥石流防控等复杂两相流工程场景。