基于机器学习的三维非结构网格自适应细化方法及系统

本发明公开了一种基于机器学习的三维非结构网格自适应细化方法及系统，属于机器学习、偏微分方程求解和计算流体力学仿真领域。采用流体控制方程的残差作为新型的误差指示器和细化准则，并通过物理信息神经网络融合模拟流动的粗网格所得的不精确流场数据与流体控制方程，训练完成后使用自动微分方便地计算方程总体残差，从而能够自适应地标记和细化残差相对更高的粗网格单元。通过搭配h‑细化方案，在策略性地插入顶点后执行Delaunay四面体剖分来保持细化后的网格质量。该方法可灵活搭配任何数值求解器进行网格自适应细化，进而高精度求解多种典型流动问题。本发明在计算精度与网格数量之间取得了更加良好的平衡，具有简便、兼容性和通用性强等优势。