学位论文简介

复杂几何构型下的流场与气动性能预测是汽车、飞行器等高端装备设计中的关键环节。传统计算流体力学（CFD）方法虽然精度较高，但计算成本高昂，难以满足气动外形迭代优化、不确定性量化等需要多次求解的任务需求。近年来，以深度学习为代表的人工智能技术为流场快速预测提供了新的途径，然而在面对复杂三维几何表征、多源异构信息融合、大规模流场高效重建以及跨音速激波等强不连续结构刻画等问题时，现有数据驱动方法仍存在几何信息利用不充分、多模态特征融合不足、全局交互计算开销大以及高频不连续特征易被平滑等瓶颈。针对上述问题，本文围绕多模态气动参数预测、大规模连续流场快速预测以及跨音速非连续流场高保真预测三个关键科学问题展开系统研究，构建了从几何数据高质量处理、多源异构特征融合、自适应频谱学习到物理感知非连续建模的完整智能代理方法体系。本文的主要研究内容与创新成果如下：

（1）针对汽车风阻系数预测中传统CFD数值模拟与风洞试验成本高昂、难以适配迭代式设计流程，以及现有数据驱动代理模型受限于单模态输入、难以兼顾全局结构与精细几何特征等问题，提出了一种基于偏移注意力机制的多模态融合方法FusDrag。该方法首先针对复杂三维几何点云数据规模庞大、几何信息分布不均以及直接处理高密度点云计算开销较高等问题，提出了一种基于曲率感知的点云下采样方法：利用局部邻域几何结构提取点云曲率等几何特征，通过构建几何特征分布模型自适应调整采样比例，使采样过程由单纯的空间距离驱动转变为几何信息驱动，从而在显著降低点云规模的同时高保真地保留高曲率、尖锐边缘等对气动性能具有重要影响的关键几何特征，并通过计算复杂度分析与三维物体分类实验验证了其在计算效率、几何表征能力与采样规模适应性等方面的优势。在此基础上，该方法联合汽车外形的三维点云与多视角二维图像两种模态，分别采用PointGPT与预训练ViT提取几何结构特征与视觉语义特征，并通过自适应加权实现跨模态特征融合；进一步引入基于拉普拉斯算子的偏移注意力机制，自适应滤除融合特征中的冗余与噪声信息，并设计融合平均相对误差与最大相对误差的混合损失函数以强化对极端样本的预测能力。

（2）针对三维流场预测中空间离散规模大、全局特征交互计算开销高以及不同流动状态之间存在显著差异等问题，提出了基于状态聚合的自适应频谱三维流场预测方法PhySAFNO。该方法借鉴物理状态聚合思想，对输入流场网格进行空间聚类，将大量离散网格映射为数量较少的物理状态表示，在保留主要流动结构信息的同时降低全局特征交互的计算与存储成本；进一步引入自适应频谱学习机制，将物理状态表示映射至频域空间并对频率成分进行动态建模，利用频域全局信息传播避免大规模空间位置之间的显式两两交互，增强模型对不同空间尺度流动结构的表征能力。实验结果表明，该方法在降低全局特征交互计算开销的同时保持了较高的流场预测精度，并在外形外推与工况外推场景下展现出良好的泛化能力，为复杂几何条件下大规模连续流场的快速预测提供了有效方法基础。

（3）针对跨音速流动中激波等强不连续结构难以被数据驱动模型精确刻画这一核心难题，提出了一种激波感知多级物理交叉注意力网络SA-HPCA。在输入表征层面，引入傅里叶特征编码将网格点坐标映射至多频带高维嵌入空间，缓解神经网络固有频谱偏差导致的高频激波特征平滑问题；在特征建模层面，提出多级物理交叉注意力机制，将物理块分层组织为多个尺度并以级联交叉注意力逐步建模跨尺度关联，实现局部细粒度结构与全局流动依赖性的协同捕捉；在预测机制层面，设计激波感知网络，通过概率化分支显式识别激波空间分布，并结合基于压力梯度的自适应加权Huber损失与不确定性自适应多任务加权策略，使模型在无需域分解或预定义激活函数的前提下保留尖锐不连续性。结果表明，SA-HPCA在马赫数泛化和马赫数和攻角联合泛化下优于现有基线方法，相较于传统CFD求解器实现了2个数量级的加速，兼具令人满意的物理保真度与显著的计算优势。

主要学术成果

[1] Liu D, Ren X, Wu J, et al. Pipe-AGCM: A Fine-Grain Pipelining Scheme for Optimizing the Parallel Atmospheric General Circulation Model[C]//European Conference on Parallel Processing. Cham: Springer Nature Switzerland, 2024: 283-297.(CCF B类会议, 第一作者)

[2] Liu D, Liu W, Pan L, et al. Optimization of the parallel semi-Lagrangian scheme to overlap computation with communication based on grouping levels in YHGSM[J]. CCF Transactions on High Performance Computing, 2024, 6(1): 68-77. (SCI, 第一作者)

[3] Liu D, Xiao S, Ren X, et al. Para-FDS: a scalable multilevel parallel scheme for fire dynamic simulator on multicore architectures[J]. CCF Transactions on High Performance Computing, 2026, 8(1): 37-48. (SCI，第一作者)

[4] Pan L, Rong P, Liu D, et al. PACS: Prediction and analysis of cancer subtypes from multi-omics data based on a multi-head attention mechanism model[C]//2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2023: 904-909. (CCF B类会议)

[5] Dou Y, Zheng Y, Liu D, et al. ParaMET: A Parallel Framework for Efficient Medical Data Extraction on Tianhe-NG Supercomputer[C]//2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2023: 488-493. (CCF B类会议)