一种基于物理信息图神经网络增强ROE格式的流体自适应耗散方法

本发明提供一种基于物理信息图神经网络增强ROE格式的流体自适应耗散方法（Physics‑Informed Graph Neural Network‑Enhanced Adaptive Dissipation in the ROE Scheme for Fluid Dynamics，GCN‑ROE），属于计算流体力学与人工智能交叉技术领域；具体包括以下步骤：将有限体积法（FVM）的计算网格抽象为图结构，节点和边分别表征计算单元和界面；通过GCN模型聚合邻域信息，预测界面处的熵修正参数；结合Harten型熵修正函数动态调整特征值模量，生成高保真数值通量；引入基于熵产生的物理信息约束，确保数值解符合热力学第二定律。本发明显著提升了Roe格式在激波捕捉、接触间断分辨和多尺度流动模拟中的精度和鲁棒性，适用于空气动力学、高超声速流动等复杂工程问题的数值模拟。